باز کردن اسرار پیوند شیمیایی با یادگیری ماشین – ScienceDaily


رویکرد جدید یادگیری ماشین ، تصویری مهم از تجزیه و تحلیل را ارائه می دهد ، فرآیندی اساسی که امکان کاهش انتشار گازهای سمی اگزوز یا تولید مواد اساسی مانند پارچه را فراهم می کند.

در گزارشی که در ارتباطات طبیعت، هونلیانگ سین ، دانشیار مهندسی شیمی در ویرجینیا تک و تیم محققان وی برای استفاده از هوش مصنوعی برای بازکردن ماهیت پیوند شیمیایی سطوح کاتالیزور ، یک مدل بیزی برای مطالعه جذب شیمیایی یا به طور خلاصه بایزم ایجاد کردند.

سین گفت: “همه اینها به چگونگی اتصال کاتالیزورها به مولکول ها برمی گردد.” “این فعل و انفعال باید به اندازه کافی قوی باشد تا برخی از پیوندهای شیمیایی را در دمای نسبتاً پایین از بین ببرد ، اما نه خیلی قوی که کاتالیزورها با واسطه های واکنش مسموم شوند. این قانون در تجزیه و تحلیل به عنوان اصل Sabatier شناخته می شود.”

سین گفت: درک نحوه تعامل کاتالیزورها با واسطه های مختلف و تعیین نحوه کنترل مقاومت پیوند آنها به گونه ای که در این “منطقه طلایی” قرار بگیرند ، کلید طراحی فرآیندهای کاتالیزوری کارآمد است. این مطالعه ابزاری را برای این منظور فراهم می کند.

Bayeschem با استفاده از یادگیری Bayesian ، یک الگوریتم خاص یادگیری ماشین برای استخراج مدل های داده کار می کند. سیون وانگ ، دانشجوی دکترای سابق مهندسی شیمی ، توضیح داد: “فرض کنید شما یک مدل دامنه مبتنی بر قوانین فیزیکی کاملاً ثابت دارید و می خواهید از آن برای پیش بینی ها یا چیزهای جدیدی در مورد جهان یاد بگیرید.” “روش بیزی یادگیری توزیع پارامترهای مدل ، با در نظر گرفتن دانش قبلی ما و داده های کمیاب است که اغلب مشاهده می شود ، در حالی که کمی از عدم اطمینان پیش بینی های مدل را ارائه می دهد.”

تئوری جذب شیمیایی باند D مورد استفاده در بایسكم نظریه ای است كه پیوند شیمیایی را در سطوح جامد ، از جمله الكترونهای d ، توصیف می كند كه معمولاً به صورت شبدر چهار برگ است. این مدل توضیح می دهد که چگونه اوربیتالهای d اتمهای کاتالیزور با هم تداخل دارند و به سمت اوربیتالهای جاذب جاذب که شکلی کروی یا دمبل مانند دارند ، جذب می شوند. از زمان توسعه توسط هامر و نیورسکوف در دهه 1990 ، این یک الگوی استاندارد در تجزیه ناهمگن در نظر گرفته می شود ، و اگرچه او توانسته است روند اتصال بسیاری از سیستم ها را توضیح دهد ، سین گفت که این مدل به دلیل پیچیدگی ذاتی تعاملات الکترونیکی گاهی اوقات از کار می افتد.

به گفته شین ، بایزم تئوری باند d را برای تعیین کمیت این نیروهای متقابل و احتمالاً تطبیق برخی دکمه ها ، مانند ساختار و ترکیب ، برای طراحی مواد بهتر ، به سطح جدیدی می برد. این رویکرد با گسترش امکان پیش بینی و تفسیر خصوصیات جذب ، که هر دو در کشف کاتالیزور بسیار مهم هستند ، نظریه شیمی جذب باند را بهبود می بخشد. به گفته Hemant Pilay ، دانشجوی دکترای مهندسی شیمی از گروه Xin ، در مقایسه با مدل های یادگیری ماشین جعبه سیاه که با مقدار زیادی داده آموزش داده می شوند ، هنوز می توان دقت پیش بینی بایس را بهبود بخشید. برای مطالعه

سین گفت: “توانایی تهیه مدل های بسیار دقیق و قابل تفسیر که بر اساس الگوریتم های یادگیری عمیق و تئوری جذب شیمی ساخته شده اند ، برای دستیابی به اهداف هوش مصنوعی در تجزیه و تحلیل بسیار سودمند است.

منبع تاریخچه:

مواد تهیه شده توسط ویرجینیا تک. اصلی ، نوشته شده توسط تینا راسل. توجه: مطالب را می توان از نظر سبک و طول ویرایش کرد.


منبع: khabar-erfan.ir

دیدگاهتان را بنویسید

Comment
Name*
Mail*
Website*