Forwarded from Химия в России и за рубежом (канал ИОНХ РАН)
Напоминаем, что сотрудники ИОНХ РАН ведут сразу несколько интересных тг-каналов, связанных с химической наукой и образованием.
Для вашего удобства мы собрали их в одну папку, читайте и подписывайтесь!
https://yangx.top/addlist/JNrPvn-3u-M3ZGFi
#ионх #инфраструктуранауки
Для вашего удобства мы собрали их в одну папку, читайте и подписывайтесь!
https://yangx.top/addlist/JNrPvn-3u-M3ZGFi
#ионх #инфраструктуранауки
Telegram
Каналы ИОНХ
Mariya Smirnova invites you to add the folder “Каналы ИОНХ”, which includes 9 chats.
Коллеги, хотим поделиться нашим препринтом:
Predicting Emission Wavelengths and Quantum Yields of Diverse Bis-cyclometalated Iridium(III) Complexes Using Machine Learning
https://doi.org/10.26434/chemrxiv-2024-cchdm
1. В этой статье мы собрали базу данных IrLumDB, в которой содержатся экспериментальные данные о 1287 бис-циклометалированных комлексах иридия (III) и их фотофизических свойствах (длина волны эмиссии (λmax), квантовый выход (PLQY) и время жизни).
2. На основе IrLumDB обучили XGBoost, LightGBM и Catboost предсказывать λmax и PLQY с MAE 18.26 нм и 0.13 на десятикратной кросс-валидации.
3. Протестировали работу обученных моделей на 33 синтезированных в нашей лаборатории комплексах, 12 из которых были получены для этой статьи. Комплексы были охарактеризованы с помощью ЯМР, РСА, масс-спектрометрии высокого разрешения, и частично РФА. 9 новых структур были депонированы в CCDC.
4. Сравнили на изученных нами соединениях точность предсказания длины волны эмиссии с помощью алгоритмов машинного обучения и с помощью DFT-расчетов; показали, что алгоритмы машинного обучения справляются с задачей лучше.
5. Так как нам важно искать новые комплексы с потенциально высокими квантовыми выходами, то мы разделили все комплексы на 3 класса: с низким (0-0.1), средним (0.1-0.5) и высоким PLQY (0.5-1), далее обучили классификационные модели и получили точность 72.4% на десятикратной кросс-валидации.
6. Подготовили мини-приложение IrLumDB App для того, чтобы любой исследователь смог предсказать свойства для своих комплексов. Для предсказания достаточно SMILES лигандов.
PDF | Датасет на Zenodo | IrLumDB App
Predicting Emission Wavelengths and Quantum Yields of Diverse Bis-cyclometalated Iridium(III) Complexes Using Machine Learning
https://doi.org/10.26434/chemrxiv-2024-cchdm
1. В этой статье мы собрали базу данных IrLumDB, в которой содержатся экспериментальные данные о 1287 бис-циклометалированных комлексах иридия (III) и их фотофизических свойствах (длина волны эмиссии (λmax), квантовый выход (PLQY) и время жизни).
2. На основе IrLumDB обучили XGBoost, LightGBM и Catboost предсказывать λmax и PLQY с MAE 18.26 нм и 0.13 на десятикратной кросс-валидации.
3. Протестировали работу обученных моделей на 33 синтезированных в нашей лаборатории комплексах, 12 из которых были получены для этой статьи. Комплексы были охарактеризованы с помощью ЯМР, РСА, масс-спектрометрии высокого разрешения, и частично РФА. 9 новых структур были депонированы в CCDC.
4. Сравнили на изученных нами соединениях точность предсказания длины волны эмиссии с помощью алгоритмов машинного обучения и с помощью DFT-расчетов; показали, что алгоритмы машинного обучения справляются с задачей лучше.
5. Так как нам важно искать новые комплексы с потенциально высокими квантовыми выходами, то мы разделили все комплексы на 3 класса: с низким (0-0.1), средним (0.1-0.5) и высоким PLQY (0.5-1), далее обучили классификационные модели и получили точность 72.4% на десятикратной кросс-валидации.
6. Подготовили мини-приложение IrLumDB App для того, чтобы любой исследователь смог предсказать свойства для своих комплексов. Для предсказания достаточно SMILES лигандов.
PDF | Датасет на Zenodo | IrLumDB App