ML steigert Vorhersage der Dimensionalität bei hybriden Metallhalogeniden
Ein neues maschinelles Lernframework verspricht, die Vorhersage der strukturellen Dimensionalität von hybriden Metallhalogeniden (HMHs) deutlich zu verbessern. Das ursprüngliche Datenset umfasst 494 Strukturen, die stark unausgewogen zwischen den Klassen 0D, 1D, 2D und 3D verteilt sind. Durch die Anwendung der Synthetic Minority Oversampling Technique (SMOTE) wurde die Datenbasis auf 1 336 Einträge erweitert, um die Klassendisproportionen auszugleichen.
