Inorganic Catalyst Efficiency Prediction Based on EAPCR Model: A Deep Learning Solution for Multi-Source Heterogeneous Data

要約

無機触媒の設計と触媒効率の予測は、化学および材料科学における基本的な課題です。
従来の触媒評価方法は、主に機械学習技術に依存しています。
ただし、これらの方法はしばしば、マルチソースの不均一なデータを処理するのに苦労し、予測精度と一般化の両方を制限します。
これらの制限に対処するために、この研究では、埋め込まれた出来事によるCNN抵抗性（EAPCR）ディープ学習モデルを紹介します。
EAPCRは、埋め込みメカニズムと注意メカニズムを使用して特徴的な関連性マトリックスを構築し、順列化されたCNNアーキテクチャと残留接続を通じて予測パフォーマンスを強化します。
このアプローチにより、モデルはさまざまな触媒条件で複雑な特徴の相互作用を正確にキャプチャし、正確な効率予測につながることができます。
EAPCRは、計算研究者のための強力なツールとして機能し、ドメインの専門家が触媒設計の最適化を支援し、データ駆動型モデリングと実験アプリケーションの間のギャップを効果的に埋めることもできます。
TIO2光触媒、熱触媒、および電気触媒からのデータセットのEAPCRを評価し、従来の機械学習方法（線形回帰、ランダムフォレストなど）および従来の深い学習モデル（ANN、NNSなど）よりもその優位性を実証します。
複数の評価メトリック（MAE、MSE、R2、およびRMSE）にわたって、EAPCRは既存のアプローチを常に上回ります。
これらの発見は、無機触媒効率予測におけるEAPCRの強い可能性を強調しています。
多用途の深い学習フレームワークとして、EAPCRは予測精度を向上させるだけでなく、無機触媒における将来の大規模モデル開発の強固な基盤を確立します。

要約(オリジナル)

The design of inorganic catalysts and the prediction of their catalytic efficiency are fundamental challenges in chemistry and materials science. Traditional catalyst evaluation methods primarily rely on machine learning techniques; however, these methods often struggle to process multi-source heterogeneous data, limiting both predictive accuracy and generalization. To address these limitations, this study introduces the Embedding-Attention-Permutated CNN-Residual (EAPCR) deep learning model. EAPCR constructs a feature association matrix using embedding and attention mechanisms and enhances predictive performance through permutated CNN architectures and residual connections. This approach enables the model to accurately capture complex feature interactions across various catalytic conditions, leading to precise efficiency predictions. EAPCR serves as a powerful tool for computational researchers while also assisting domain experts in optimizing catalyst design, effectively bridging the gap between data-driven modeling and experimental applications. We evaluate EAPCR on datasets from TiO2 photocatalysis, thermal catalysis, and electrocatalysis, demonstrating its superiority over traditional machine learning methods (e.g., linear regression, random forest) as well as conventional deep learning models (e.g., ANN, NNs). Across multiple evaluation metrics (MAE, MSE, R2, and RMSE), EAPCR consistently outperforms existing approaches. These findings highlight the strong potential of EAPCR in inorganic catalytic efficiency prediction. As a versatile deep learning framework, EAPCR not only improves predictive accuracy but also establishes a solid foundation for future large-scale model development in inorganic catalysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google