폴리머의 유리 전이 온도를 예측하기 위한 해석 가능한 기계 학습 프레임워크

폴리머의 유리 전이 온도는 에너지 흡수에 대한 응용 요구 사항을 충족하는 데 있어 핵심 매개변수입니다. 이전 연구들은 느리고 비용이 많이 드는 시행착오 절차로부터 일부 데이터를 제공했습니다. 이러한 데이터를 인식함으로써 기계 학습 알고리즘은 귀중한 지식을 추출하고 필수 통찰력을 공개할 수 있습니다. 본 연구에서는 7174개의 샘플 데이터세트를 활용하였습니다. 폴리머는 모건 지문과 분자 서술자라는 두 가지 방법을 사용하여 수치적으로 표시되었습니다. 전처리 과정에서 데이터세트는 표준 스케일러 기법을 사용하여 스케일링되었습니다. 우리는 데이터세트에서 작은 분산을 가진 특성을 제거하고 피어슨 상관 기법을 사용하여 상관성이 높은 특성을 제외했습니다. 그 다음, 재귀적 특징 제거 방법을 사용하여 가장 중요한 특성을 선택하였습니다. 아홉 가지 기계 학습 기법을 사용하여 유리 전이 온도를 예측하고 하이퍼파라미터를 조정했습니다. 모델은 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE) 및 결정 계수(R²)의 성능 지표를 사용하여 비교하였습니다. 우리는 엑스트라 트리 회귀기가 가장 좋은 결과를 제공했다는 것을 관찰했습니다. 통계적 기계 학습 방법을 사용하여도 중요한 특성이 식별되었습니다. SHAP 방법도 적용되어 각 특성이 모델 출력에 미치는 영향을 입증했습니다. 이 프레임워크는 낮은 계산 비용으로 다른 속성에도 적용 가능할 수 있습니다.