机器学习修正半经验计算预测势垒高度
摘要：使用不同的机器学习模型来预测从半经验量子力学计算得到的DFT质量的势垒高度。机器学习模型包括多任务深度神经网络、通过XGBoost接口进行的梯度提升树和高斯过程回归。所得到的平均绝对误差与之前的模型相比相似或稍微更好，考虑了相同数量的数据点。与其他用于预测势垒高度的机器学习模型不同，这里包括了熵效应，从而可以预测不同温度下的速率常数。本文提出的机器学习修正方法可用于在燃烧化学或天体化学中出现的大反应网络的快速筛选。最后，我们的结果表明，70％的定制预测变量是对模型输出影响最大的特征之一。未来的增量机器学习模型可以利用这组定制预测变量来改善对其他反应性质的定量预测。
作者：Xabier Garc''ia-Andrade, Pablo Garc''ia Tahoces, Jes''us P''erez-R''ios, Emilio Mart''inez N''u~nez
论文ID：2208.02289
分类：Chemical Physics
分类简称：physics.chem-ph
提交时间：2023-04-26