Дескрипторы машинного обучения для исследования катализа на основе данных

Традиционные эксперименты методом проб и ошибок и теоретическое моделирование с трудом позволяют оптимизировать каталитические процессы и разрабатывать новые катализаторы с улучшенными характеристиками. Машинное обучение (МО) представляет собой перспективный подход к ускорению исследований в области катализа благодаря своим мощным возможностям обучения и прогнозирования. Выбор подходящих входных признаков (дескрипторов) играет решающую роль в повышении точности прогнозирования моделей машинного обучения и выявлении ключевых факторов, влияющих на каталитическую активность и селективность. В этом обзоре представлены подходы к использованию и извлечению каталитических дескрипторов в экспериментальных и теоретических исследованиях с применением машинного обучения. Помимо эффективности и преимуществ различных дескрипторов, обсуждаются также их ограничения. Особое внимание уделено 1) новым спектральным дескрипторам для прогнозирования каталитических характеристик и 2) новой исследовательской парадигме, объединяющей вычислительные и экспериментальные модели машинного обучения с помощью подходящих промежуточных дескрипторов. Также представлены актуальные проблемы и перспективы применения дескрипторов и методов машинного обучения в катализе.