国产三级精品三级在线观看,国产高清无码在线观看,中文字幕日本人妻久久久免费,亚洲精品午夜无码电影网

IF=60.615！Chem. Soc. Rev.概述機(jī)器學(xué)習(xí)在單分子運(yùn)輸領(lǐng)域的應(yīng)用！

目前，包括分子電子學(xué)在內(nèi)的許多領(lǐng)域?qū)κ褂脵C(jī)器學(xué)習(xí)（ML）分析數(shù)據(jù)的研究興趣越來越大。分子電子學(xué)，特別是單分子傳輸領(lǐng)域，源于學(xué)術(shù)界對(duì)利用有機(jī)分子的獨(dú)特材料特性解決傳統(tǒng)固態(tài)電子學(xué)挑戰(zhàn)的興趣。ML能夠?qū)碜詥畏肿舆\(yùn)輸實(shí)驗(yàn)的數(shù)據(jù)進(jìn)行更細(xì)粒度的分析，但也存在一些阻礙其發(fā)展的基本問題。

在此，丹麥哥本哈根大學(xué)Gemma C. Solomon等人提供了基于來自分子電子學(xué)領(lǐng)域，特別是單分子電子傳輸實(shí)驗(yàn)數(shù)據(jù)的示例，描述了與ML應(yīng)用相關(guān)的關(guān)鍵方面以幫助研究人員避免最常見的陷阱。首先，作者概述了單分子傳輸實(shí)驗(yàn)的研究歷史，以便為ML在分子電子學(xué)中的使用提供一些直覺。然后，簡要介紹了常見的ML方法，如特征提取、監(jiān)督學(xué)習(xí)和聚類等。接下來，作者深入探討了與使用ML相關(guān)的主要問題，包括：

1）偏差及其在數(shù)據(jù)分析中的不同表現(xiàn)方式；

2）可能由對(duì)保留集原理的誤解、交叉驗(yàn)證陷阱及過于簡單的訓(xùn)練數(shù)據(jù)等造成的過度擬合；

3）建立對(duì)模型的信任及不同的指標(biāo)選擇如何影響后續(xù)分析；

4）無監(jiān)督學(xué)習(xí)的使用及其獨(dú)特的問題集；

5）如何使用特征過濾來優(yōu)化模型并更好地理解模型；

6）共享源代碼和數(shù)據(jù)的必要性等。

圖1. 使用ML分析單分子轉(zhuǎn)運(yùn)數(shù)據(jù)的三種不同方法

最后，作者展望了未來單分子運(yùn)輸領(lǐng)域中ML研究的未來發(fā)展：

（1）數(shù)據(jù)的新表示將使ML算法和研究人員受益，應(yīng)做更多的研究來探索可提取多少及什么樣的信息；

（2）更豐富的數(shù)據(jù)表示也將有助于更廣泛地使用傳統(tǒng)統(tǒng)計(jì)數(shù)據(jù)；

（3）在跟蹤不一定屬于單個(gè)類但可能表現(xiàn)出多個(gè)類的特征的情況下，也許更柔和的分類會(huì)更有益；

（4）降維工具可促進(jìn)更好地理解高維數(shù)據(jù)集，如PCA、t-SNE或UMAP等方法。

此外，作者還提供了許多用于分析的腳本和數(shù)據(jù)，可在https://github.com/chem-william/TOM_paper進(jìn)行訪問，本文使用的數(shù)據(jù)集也可在https://erda.ku.dk/archives/23e862ff4a66f896a7ef635cbec16e0b/published-archive.html訪問。作者相信，ML領(lǐng)域與單分子運(yùn)輸領(lǐng)域的潛在結(jié)合研究具有很高的潛力。

圖2. 過濾特征的信息泄漏導(dǎo)致結(jié)果偏差

Trusting our machines: validating machine learning models for single-molecule transport experiments, Chemical Society Reviews 2022. DOI: 10.1039/D1CS00884F

原創(chuàng)文章，作者：v-suan，如若轉(zhuǎn)載，請(qǐng)注明來源華算科技，注明出處：http://m.xiubac.cn/index.php/2023/10/07/5d9638a113/

国产三级精品三级在线观看,国产高清无码在线观看,中文字幕日本人妻久久久免费,亚洲精品午夜无码电影网

IF=60.615！Chem. Soc. Rev.概述機(jī)器學(xué)習(xí)在單分子運(yùn)輸領(lǐng)域的應(yīng)用！

相關(guān)推薦

IF=60.615！Chem. Soc. Rev.概述機(jī)器學(xué)習(xí)在單分子運(yùn)輸領(lǐng)域的應(yīng)用！