[ad_1]

رویکرد جدید یادگیری ماشین ایده مهمی 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 باز کردن قید انسداد شیمیایی سطوح کاتالیزور ، یک مدل بیزی برای مطالعه شیمی جذب یا به طور خلاصه بایزم ایجاد کردند.

سین گفت: “همه اینها به چگونگی اتصال کاتالیزورها به مولکول ها برمی گردد.” “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 توسط 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 این است که توزیع پارامترهای مدل را با توجه به دانش قبلی ما و داده های مشاهده شده ، اغلب کمیاب ، یاد بگیرید ، در حالی که کمی از عدم قطعیت مدل مدل را فراهم می کند.”

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 مدل استاندارد در تجزیه و تحلیل ناهمگن در نظر گرفته شده است ، و اگرچه او توانسته است روند اتصال بسیاری از سیستم ها را توضیح دهد ، اما سین می گوید 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.”

###

سلب مسئولیت: AAAS و EurekAlert! هیچ مسئولیتی در قبال صحت گزارشهای خبری منتشر شده در EurekAlert ندارند! از طریق موسسات کمک کننده یا استفاده از هرگونه اطلاعات از طریق سیستم EurekAlert.

[ad_2]

منبع: kolah-news.ir