From biomass waste to CO2 capture: a multi-fidelity machine learning workflow for high-throughput screening of activated carbons
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Rising atmospheric CO 2 levels threaten climate stability, demanding transformative solutions in carbon capture, utilization, and storage. Porous activated carbons (ACs) derived from sustainable waste sources offer a promising route for cost-effective and eco-friendly carbon capture, thanks to their tunable surface chemistry and high surface areas. However, optimizing ACs for peak CO 2 uptake is often hindered by complex, resource-intensive experimental workflows and the scarcity of high-quality data. This study presents a machine learning-driven framework that combines a multi-headed one-dimensional convolutional neural network (MH1DCNN) with multi-fidelity Bayesian optimization (MFBO) to efficiently navigate large design spaces by balancing exploration of uncertain regions with exploitation of known high-performing candidates. The MH1DCNN captures nonlinear relationships between physicochemical properties and CO 2 uptake, serving as a deployable low-fidelity model. Using 841 literature-reported samples as high-cost, high-fidelity data and MH1DCNN-generated predictions as low-cost, low-fidelity evaluations, MFBO fuses these information sources through a probabilistic surrogate model, enabling rapid and cost-effective optimization. This approach reduces high-fidelity evaluation requirements by over 75% and identifies top-performing candidates using only 13 high-fidelity acquisitions. This scalable, data-driven strategy supports the development of closed-loop experiment-analysis-planning systems for future autonomous laboratories and accelerates sustainable materials discovery.
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.
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 | 0,002 | 0,001 |
| 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) | 0,001 | 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 découle