基于机器学习修正半经验计算以预测能垒高度
化学物理
2023-04-26 v1
摘要
本文提出了不同的机器学习(ML)模型,用于从半经验量子力学(SQM)计算预测DFT质量的能垒高度(BHs)。ML模型包括多任务深度神经网络、借助XGBoost接口的梯度提升树以及高斯过程回归。在考虑相同数据量的情况下,所获得的平均绝对误差(MAEs)与先前模型相近或略优。与用于预测BHs的其他ML模型不同,本文纳入了熵效应,从而能够在不同温度下预测速率常数。本文提出的ML修正可用于燃烧化学或天体化学中出现的大型反应网络的快速筛选。最后,我们的结果表明,70%的定制预测因子是对模型输出影响最大的特征之一。这组定制预测因子可被未来的delta-ML模型用来改进其他反应性质的定量预测。
引用
@article{arxiv.2208.02289,
title = {Barrier height prediction by machine learning correction of semiempirical calculations},
author = {Xabier García-Andrade and Pablo García Tahoces and Jesús Pérez-Ríos and Emilio Martínez Núñez},
journal= {arXiv preprint arXiv:2208.02289},
year = {2023}
}