High‐Throughput Photocatalysis for Generating Reliable Datasets Analyzed by Machine Learning
Notice bibliographique
Résumé
Photocatalysis is an environmentally conscious tool for removing contaminants from water. Novel photocatalytic materials are often measured on ability to degrade a small number of analytes, which may not be indicative of broader applicability. In this work, an experimental method dubbed high-throughput photocatalysis (HTP) is introduced to assay photocatalytic materials against a range of analytes in a time effective manner. HTP is modular; experimental parameters, including matrix, can be changed to fit a proposed application. The photodegradation of each analyte is attained in a consistent manner such that machine learning (ML) models can be applied to the obtained datasets. Three out of the box ML models-linear regression, random forest (RF), and neural network (NN)-are tasked with estimating the percentage removal as a function of irradiation time and molecular structure, as represented by Morgan fingerprints. Leave-out sets demonstrated that RF and NN models did not overfit the training data and reasonably estimated the degradation of unknown molecules. SHapley additive exPlanations values are utilized to correlate molecular substructures to the parent molecule's susceptibility to photocatalytic degradation. These correlations are used to generate heatmaps of estimated reactivity within molecules that corroborate reports in which dye degradation pathways were studied in detail.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».