機械学習による気相反応の活性化エネルギー予測の実現可能性【JST・京大機械翻訳】

Choi Sunghwan; Choi Sunghwan; Kim Yeonjoon; Kim Jin Woo; Kim Zeehyo; Kim Woo Youn; Kim Woo Youn

文献

J-GLOBAL ID：201802254647525507 整理番号：18A1610143

機械学習による気相反応の活性化エネルギー予測の実現可能性【JST・京大機械翻訳】

Feasibility of Activation Energy Prediction of Gas-Phase Reactions by Machine Learning

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=18A1610143&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=18A1610143&from=J-GLOBAL&jstjournalNo=W0744A") }}

著者 (7件)： , , , , , ,
資料名：
巻： 24 号： 47 ページ： 12354-12358 発行年： 2018年
JST資料番号： W0744A ISSN： 0947-6539 CODEN： CEUJED 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：ドイツ (DEU) 言語：英語 (EN)

大きいデータに基づく機械学習は,様々な化学的問題における強力な解決策として出現した。気相反応の活性化エネルギーの予測のための機械学習モデルの実現可能性を調べた。人工ニューラルネットワーク,サポートベクトル回帰,およびツリーブースティング法を含む3つの異なるタイプの6つの異なるモデルをテストした。分子の構造的および熱力学的性質を用い,広い適用性のための最も一般的な入力形式を維持するために,特定の反応型に頼ることなく入力特徴としてのそれらの違いを用いた。ツリーブースティング法は,決定係数,平均絶対誤差,および根平均二乗誤差に関して,他のものの中で最良の性能を示し,その値は,それぞれ0.89,1.95,および4.49kcal/molであった。2541の試験反応に対する活性化エネルギーの予測のための計算時間は,加速器を使用しない単一計算ノード上で約1秒であった。Copyright 2018 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , ,
, , , , 【Automatic Indexing@JST】

著者キーワード (4件)： , , ,

分子の電子構造

, , , ,

前のページに戻る