机构名称：
¥ 3.0
图1：我们的电池信息工作流程。数据收集管道：我们收集有机负电极相对于不同电荷载体（正电极材料）的有机负电极的微笑（简化的分子输入线进入系统）。10，这是微笑字符串到数字格式的连接版本。b架构我们的多任务机器学习（MT-ML）预测指标。MT-ML模型经过训练，以预测不同电池组件的多种属性。使用Selector-vector代表荷载体（正电极材料），性质和有机材料类（聚合物/分子）的变化。指纹与选择矢量串联，并用作MT-ML模型的输入。灰色版本的灰色代表模型的输入，较暗版本代表输出。通过将多个MT-ML模型的输出作为输入，在Holdout数据集中培训的 C META学习者。 元学习模型的输出是属性值（电压和特定容量）。 d最后，逆设计方法被授予。 我们采用一些参考有机材料，这些材料表现出更高的电池性能或更高的稳定性或生物降解性。 我们迭代地添加氧化还原活跃的部分或在有机材料的不同位置取代元素和键，以创建数百万个有机材料的库。 我们通过使用拟议的元学习模型来筛选具有较高电压和特定能力的潜在候选者。C META学习者。元学习模型的输出是属性值（电压和特定容量）。d最后，逆设计方法被授予。我们采用一些参考有机材料，这些材料表现出更高的电池性能或更高的稳定性或生物降解性。我们迭代地添加氧化还原活跃的部分或在有机材料的不同位置取代元素和键，以创建数百万个有机材料的库。我们通过使用拟议的元学习模型来筛选具有较高电压和特定能力的潜在候选者。
AI驱动的高性能聚合物的发现...
主要关键词
相关文件推荐
