Прогнозируемый неорганический синтез на основе машинного обучения с использованием небольших наборов данных: тематическое исследование гидродинамических диаметров Cu Nanopides
arXiv: 2512.16545v3 Annuales Type: заменить кросс-бюллетень: Cu NPs имеют широкую применимость, однако их синтез чувствителен к тонким изменениям параметров реакции. Эта чувствительность в сочетании с трудоемким и ресурсоемким характером экспериментальной оптимизации создает серьезную проблему для достижения воспроизводимого и контролируемого размерами синтеза. Хотя ML и свидетельствует о наличии перспектив в области исследований материалов, его применение зачастую ограничивается нехваткой крупных высококачественных наборов экспериментальных данных. В этом исследовании ML изучается для прогнозирования гидродинамического диаметра Cu NP, полученного с помощью DLS, используя небольшой набор данных из 25 синтезов. Для эффективного охвата пространства параметров при создании экспериментального набора данных используется латинский Hypercube Patelling. С учетом ограниченного набора данных, успешно прогнозируются гидродинамические диаметры с хорошей прогнозируемой эффективностью. Поскольку количественная регрессия требует уникального гидродинамического диаметра DLS, регрессионная модель ограничивается одним видом DLs.
