低性能

使用机器学习算法的自组装光催化二氧化碳降低性能的多变量多功能优化

摘要：将CO 2减少到燃料和平台化学物质中是实现循环经济的一种有前途的方法。但是，既定的优化方法都不适合多变量的多次光催化系统，因为它们旨在优化一个性能指标，同时牺牲其他标准，从而限制整体系统性能。在此，我们通过定义一个考虑多个功绩数字的整体系统性能的指标来解决这一多项挑战，并采用机器学习算法来通过大型参数矩阵有效地指导我们的实验，以使整体优化可用于人类实验主义者。作为一个测试平台，我们采用了一个五组分系统，该系统将自组装到光催化胶束中，以减少CO 2-CO，我们对其进行了优化，以同时提高产量，量子收益率，周转数和频率，同时保持高选择性。使用机器学习算法利用数据集可以量化每个参数对整体系统性能的影响。出乎意料地揭示了缓冲液浓度是最佳光催化活性的主导参数，并且是催化剂浓度的四倍。通过提供对绩效瓶颈的前所未有的见解，增强可比性的前所未有的见解，扩大了这种方法来定义和优化整体绩效的使用和标准化将加速催化的进展，并取得了比较的比较。■简介