כתבה
arXiv cs.LG ·
סינתזה נבואית של תרכובות אינאורגניות באמצעות למידה מכנית על בסיס נתוני קטנים: דוגמה של ננו-גרגרי Cu
Predictive Inorganic Synthesis based on Machine Learning using Small Data sets: a case study of Hydrodynamic Diameter-controlled Cu Nanoparticles
במאמר זה, נראה כיצד ניתן לשים לב לסינתזה נבואית של תרכובות אינאורגניות באמצעות למידה מכנית על בסיס נתוני קטנים. המחקר עוסק בסינתזה של גרגרי Cu ומדגים כיצד ניתן לשים לב לסינתזה נבואית של תרכובות אינאורגניות באמצעות למידה מכנית על בסיס נתוני קטנים. המחקר עוסק בסינתזה של גרגרי Cu ומדגים כיצד ניתן לשים לב לסינתזה נבואית של תרכובות אינאורגניות באמצעות למידה מכנית על בסיס נתוני קטנים.
תקציר מקורי באנגליתarXiv:2512.16545v3 Announce Type: replace-cross Abstract: Cu NPs have a broad applicability, yet their synthesis is sensitive to subtle changes in reaction parameters. This sensitivity, combined with the time- and resource-intensive nature of experimental optimization, poses a major challenge in achieving reproducible and size-controlled synthesis. While ML shows promise in materials research, its application is often limited by scarcity of large high-quality experimental data sets. This study explores ML to predict the DLS-derived hydrodynamic diameter of Cu NPs using a small data set of 25 syntheses. Latin Hypercube Sampling is used to efficiently cover the parameter space while creating the experimental data set. Ensemble regression models successfully predict hydrodynamic diameters wit
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית