• 整合文献和当地数据的机器学习框架，用于二氧化碳分裂预测。• 通过随机搜索/主动学习微调的混合模型实现高精度。• 仅使用 45-55 个当地数据点，将所需实验减少多达 38%。• 最优实验与文献数据比率（0.52-0.63）平衡数据效率。基于等离子体的二氧化碳（CO 2）转化通常涉及相互作用的参数，并且对实验研究仍然资源密集。机器学习（ML）提供了一种潜在的解决方案，但受限于数据集的稀缺。在这项工作中，我们开发了一个机器学习框架，将文献数据与有针对性的地方实验整合，用于预测 CO 2 转化和电介质阻挡放电（DBD）反应器中的能量效率。一个在文献数据上预训练的人工神经网络（ANN）显示出良好的总体对齐，但在地方实验数据上精度较差。随后，我们通过随机搜索（RS）和主动学习（AL）迭代优化了混合 ANN 模型，结合了我们的地方实验数据。尽管基于随机搜索的混合模型仅选择了 45 个实验数据以实现高预测准确性（R² > 0.95），从而将计划实验减少了 38%，基于主动学习的模型显示出了更好的稳健性，以 55 个数据点实现了可比的准确性，且产生了无偏的预测。这类混合模型还量化了实验与文献数据的最佳添加比率（0.52-0.63），以平衡利用广泛的文献模式和适应特定实验特征。这项工作从协调数据集中提供了新的见解，以平衡计算效率与实验努力，推动基于 ML 的优化在基于等离子体的 CO 2 转化中的应用。
李等（周四）研究了这个问题。