性能预测器基于先前的实验和文献数据，用于预测新催化剂的性能。首先，计算催化剂的结构描述符和电子描述符。结构描述符包括埋藏体积、特定键长和键角、分子体积以及表等。电子结构描述符则包括福井函数、电子密度和轨道能量等指标。为了满足计算精度和速度的需求，采用不同级别的结构优化方法，如力场、半经验和密度泛函理论（DFT）。接下来，建立描述符和催化剂性质之间的机器学习模型。选择适当的特征和机器学习模型的超参数，并在必要时考虑实验条件与描述符的关联。然后，利用机器学习模型筛选出符合要求的新分子。这种将机器学习与计算化学相结合的方法极大地缩小了实验筛选的范围，从而加快了分子发现的进程。
© 版权声明
本网站上的所有资源均来源于本网站，所有网址和文章版权均归原作者所有。如有侵权行为，请将相关证明发送至以下电子邮件地址：dxsen@qq.com
