[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 بازکردن ماهیت پیوند شیمیایی سطوح کاتالیزور ، یک مدل بیزی برای مطالعه جذب شیمیایی یا به طور خلاصه Bayeshem 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 قدرت اتصال آنها به گونه ای که در این “منطقه موهای 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 بگیریم ، در حالی که کمی از عدم قطعیت مدل مدل را فراهم می کند.”

نظریه شیمی جذب باند D که در Bayeschem استفاده شده است ، نظریه ای است که پیوند شیمیایی در سطوح جامد ، از جمله الکترون d را توصیف می کند ، که معمولاً مانند شبدر چهار برگ است. این مدل توضیح می دهد که چگونه اوربیتالهای d اتمهای کاتالیزور با هم همپوشانی 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 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 ، سین می گوید این مدل به دلیل پیچیدگی ذاتی فعل و انفعالات 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. با این حال ، Hemant Pilay ، دانشجوی دکترای مهندسی شیمی از گروه Xin ، که به همان اندازه مشارکت داشت ، گفت: در مقایسه با مدل های یادگیری ماشین جعبه سیاه که با مقادیر زیادی داده آموزش دیده اند ، هنوز می توان صحت پیش بینی بایشیم را بهبود داد. برای مطالعه

سین گفت: “توانایی ارائه مدل های بسیار دقیق و قابل تفسیر بر اساس الگوریتم های یادگیری عمیق و تئوری جذب شیمیایی برای دستیابی به اهداف هوش مصنوعی در تجزیه و تحلیل بسیار سودمند است.”

منبع تاریخچه:

مواد تهیه شده توسط ویرجینیا تک. اصلی ، نوشته شده توسط تینا راسل. توجه: مطالب را می توان از نظر سبک و طول ویرایش کرد.

[ad_2]

منبع: packge-news.ir

ایندکسر