www.sex,av天堂含羞草蜜桃视频,半夜把亲妺妺c高潮了

聚合物膜設計是一個多維過程，涉及從無限的候選空間中選擇膜材料和優化制造條件，而通過反復試驗來探索整個空間是不可能的。機器學習（ML）算法可以管理復雜的多維數據集，具有強大的擬合能力，在膜科學界越來越受到關注。

在此，美國佐治亞理工學院陳勇生教授等人提出了一種膜設計策略，利用基于機器學習的貝葉斯優化來從無限空間中精確識別未探索單體的最佳組合及其制造條件。作者構建了兩個數據集：透水性（A）和脫鹽率（R），A數據集有567個數據點，R數據集有1524個數據點。

接下來，作者使用了兩種基于樹的ML算法作為候選：（1）XGBoost和（2）CatBoost，它們都能夠處理缺失值。根據從ML模型解釋中選擇的原子組構建參考摩根指紋，從而快速篩選未開發的材料。

此后，對成熟的ML模型進行貝葉斯優化來反向識別單體/制造條件組合的集合，這些組合有可能打破水/鹽選擇性和滲透性的上限。作者在確定的組合下制造了8種膜，發現它們超過了目前的上限。因此，基于ML的貝葉斯優化代表了下一代分離膜設計的范式轉變。

圖1. 實驗結果與預測值的相關性

在這項工作中，作者主要關注平板膜。因此，開發的模型不能直接應用于中空纖維膜。然而，由于ML模型的預測性能在很大程度上取決于數據集的可用性、準確性和大小，隨著與這些應用相關的更多研究的發表，本文中展示的策略可以很容易地擴展以開發適當的模型，并為這些新興應用設計不同類型的膜提供指導。

此外，分子動力學（MD）已廣泛用于在原子水平上探索膜結構內溶質傳輸的研究。構建膜配置和基于MD的模擬可以增強目前有限的膜性能數據可用性，通過協同MD-ML方法闡明水和溶質通過分離膜運輸的潛在分子機制仍然是未來研究的一個開放挑戰。

圖2. 從貝葉斯優化中識別最優組合

Revolutionizing Membrane Design Using Machine Learning-Bayesian Optimization, Environmental Science & Technology 2021. DOI: 10.1021/acs.est.1c04373

原創文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://m.zzhhcy.com/index.php/2023/10/15/3986dd07e6/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

佐治亞理工陳勇生ES&T: 基于機器學習-貝葉斯優化革新膜設計

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

佐治亞理工陳勇生ES&T: 基于機器學習-貝葉斯優化革新膜設計

相關推薦