绘制 MOF 吸附预测中的信任图谱：用于机器学习筛选的化学可审计描述符图集 开放获取

《Journal of Materials Chemistry A》：Mapping Trust in MOF Adsorption Predictions: Chemically Auditable Descriptor Atlases for Machine-Learning ScreeningOpen Access

　　

机器学习可以筛选数百万种金属有机框架（MOFs），但对化学家而言，关键问题不仅是哪个模型在平均水平上是准确的，而是哪些单个预测结果是可以安全地据此行动的。在此，我们介绍了描述符可信度图集，这是一种具有化学可审计性的地图，可以为MOF吸附预测附加局部可靠性证据。使用263,735个结构的队列，我们用岭回归、随机森林和直方图梯度提升（HGB）对0.015和0.15 bar下的CO₂吸附量以及5.8和65 bar下的CH₄吸附量进行了建模。随机森林提供了最强的全局性能，但图集揭示了全局准确性可能会掩盖具有化学结构特征的失败。对于与燃烧后相关的0.15 bar的CO₂目标，HGB的全局平均绝对误差（MAE）为0.286 mmol g^?1，而局部MAE在致密框架中增加到0.670 mmol g^?1，在超微孔/高约束孔中为0.796 mmol g^?1，在小孔子集中为1.233 mmol g^?1（n = 22）。模型分歧和新颖性分析表明，CO₂预测误差可能出现在常见描述符区域内，而不仅仅是在外推边缘。因此，该图集将吸附机器学习从排名列表转变为可供决策的证据：接受、审查或验证。

此内容仅可通过PDF获取。

在新窗口中打开 PDF 《映射MOF吸附预测中的信任：用于机器学习筛选的化学可审计描述符图集》

? 2026 作者。由英国皇家化学学会出版

2026

作者

本文根据知识共享署名4.0未移植许可授权。您可以在其他出版物中使用本文的内容，而无需向英国皇家化学学会申请进一步许可，前提是给予正确的致谢。

本作品根据 知识共享署名4.0国际许可 授权。