Descubriendo los secretos del rendimiento catalítico con Deep Learning Un estudio en profundidad de la Red Neuronal Convolucional ‘Global + Local’ para la detección de alta precisión de catalizadores heterogéneos
Estudio profundo de la Red Neuronal Convolucional 'Global + Local' para detectar catalizadores heterogéneos de manera precisa
La forma en que se modela la superficie de un catalizador es importante para ciertas reacciones químicas debido a varias propiedades del catalizador, que estudiamos en Química de Superficies. Los investigadores piensan que las pruebas de alta velocidad utilizando modelos de Aprendizaje Profundo pueden ayudarnos a comprender mejor estos efectos y acelerar el desarrollo de catalizadores. Sin embargo, los modelos existentes no son buenos para hacer predicciones precisas sobre el trabajo del catalizador. Los catalizadores en Química de Superficies se describen tanto por gráfico como por sus características. Sin embargo, las características no prestan atención a cómo se conectan estos átomos. Esto dificulta que el modelo capture los detalles de la forma y cómo funciona en la reacción. Los modelos de Aprendizaje Automático basados en gráficos también pierden detalles importantes sobre dónde se colocan las cosas cuando las moléculas se adhieren entre sí. También se vuelve demasiado complicado determinar ciertas predicciones. Por lo tanto, necesitamos una forma más fácil de entender cómo funcionan los materiales en una reacción química.
Investigadores de la Universidad de Zhejiang en China han encontrado una solución para esto. Han creado un programa especial llamado GLCNN. El programa tiene como objetivo examinar los detalles finos de cómo las moléculas se sitúan en una superficie y analizarlo. Esto lo logra convirtiendo la superficie y los lugares donde las moléculas se adhieren en cuadrículas simples y listas de números. Este nuevo modelo ayuda a los investigadores a comprender los pequeños detalles de cada reacción química en la superficie. Esto es un avance en la creación de computadoras más inteligentes para predecir cómo se comportarán los materiales en ciertos procesos químicos. También es más fácil entender que esto podría ser de gran ayuda para diseñar nuevos catalizadores para diversas aplicaciones.
Agregar aumento de datos (DA, por sus siglas en inglés) al método GLCNN ayuda a crear un conjunto de datos más grande y evita que la computadora haga predicciones basadas en datos limitados. GLCNN es un programa de computadora que es bueno para predecir cómo las moléculas se adhieren a las superficies. Hizo un trabajo fantástico al predecir cómo las moléculas de OH se adhieren a ciertos catalizadores, con errores muy pequeños, lo cual es mejor que otros modelos de computadora utilizados en el pasado. Esta combinación le ayuda a comprender tanto la forma como las propiedades químicas de los catalizadores. Entonces, GLCNN es como una herramienta súper inteligente que puede averiguar por qué algunos materiales funcionan mejor en reacciones químicas. Es un paso adelante para hacer que las computadoras sean buenas en química.
- Una nueva investigación de AI de Apple y Equall AI revela redundancias en la arquitectura de Transformer Cómo optimizar la red de avance de alimentación mejora la eficiencia y la precisión
- 10 Mejores Herramientas de Extracción de Datos (Septiembre 2023)
- Datos de satélite, incendios forestales y IA Protegiendo la industria vitivinícola ante los desafíos climáticos
En la parte de descripción del análisis, encontramos que la forma en que los átomos están dispuestos y sus propiedades electrónicas son muy importantes para predecir qué tan bien funciona un catalizador. El tipo de metal utilizado también es crucial, incluso más que la disposición de los átomos a su alrededor. Cuando observamos las diferentes capas de GLCNN, vimos que es bastante inteligente. Comienza seleccionando los detalles obvios de las estructuras químicas y luego profundiza para encontrar información más compleja que le ayuda a hacer predicciones precisas sobre cómo funcionará un catalizador. Entonces, este método GLCNN es una herramienta útil para probar catalizadores de manera rápida y precisa. Puede manejar una amplia gama de catalizadores diferentes, lo que lo convierte en una excelente solución para encontrar los mejores.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Cómo crear gráficos de mapas con Plotly
- Aprendizaje por Reforzamiento una Introducción Sencilla a la Iteración de Valor
- Crea un sistema de comentarios autogestionado con LangChain y OpenAI
- Por qué tus canalizaciones de datos necesitan un control de retroalimentación en bucle cerrado
- 7 Lecciones del curso de Aprendizaje Profundo de Fast.AI
- De Codificaciones a Incrustaciones
- Calibración de cámara usando OpenCV