基于EAPCR模型的无机催化剂效率预测：面向多源异构数据的深度学习解决方案
机器学习
2025-03-11 v1
摘要
无机催化剂的设计及其催化效率的预测是化学和材料科学中的基本挑战。传统的催化剂评估方法主要依赖机器学习技术；然而，这些方法通常难以处理多源异构数据，限制了预测准确性和泛化能力。为了解决这些局限性，本研究引入了Embedding-Attention-Permutated CNN-Residual（EAPCR）深度学习模型。EAPCR利用嵌入和注意力机制构建特征关联矩阵，并通过置换CNN架构和残差连接增强预测性能。这种方法使模型能够准确捕捉各种催化条件下的复杂特征交互，从而实现精确的效率预测。EAPCR不仅作为计算研究人员的强大工具，还协助领域专家优化催化剂设计，有效弥合了数据驱动建模与实验应用之间的差距。我们在TiO2光催化、热催化和电催化数据集上评估了EAPCR，证明了其相对于传统机器学习方法（如线性回归、随机森林）以及传统深度学习模型（如ANN、NNs）的优越性。在多个评估指标（MAE、MSE、R2和RMSE）上，EAPCR始终优于现有方法。这些发现突出了EAPCR在无机催化效率预测方面的巨大潜力。作为一个通用的深度学习框架，EAPCR不仅提高了预测准确性，还为未来无机催化领域的大规模模型开发奠定了坚实基础。
引用
@article{arxiv.2503.07424,
title = {Inorganic Catalyst Efficiency Prediction Based on EAPCR Model: A Deep Learning Solution for Multi-Source Heterogeneous Data},
author = {Zhangdi Liu and Ling An and Mengke Song and Zhuohang Yu and Shan Wang and Kezhen Qi and Zhenyu Zhang and Chichun Zhou},
journal= {arXiv preprint arXiv:2503.07424},
year = {2025}
}