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.

Der Ansatz kombiniert chemisch fundiertes Feature Engineering mit fortschrittlichen Techniken zur Handhabung von Klassenungleichgewichten. Interaktionsbasierte Deskriptoren werden in einen mehrstufigen Workflow integriert, der Feature‑Auswahl, Modell‑Stacking und Performance‑Optimierung umfasst. Diese Kombination ermöglicht es, die relevanten Merkmale präziser zu identifizieren und die Modellarchitektur optimal anzupassen.

Die Ergebnisse zeigen signifikante Verbesserungen der F1‑Scores, insbesondere für die zuvor unterrepräsentierten Klassen. Durch robuste Cross‑Validation erzielt das System konsistente Leistungen über alle Dimensionalitätsklassen hinweg, was die Zuverlässigkeit der Vorhersagen für zukünftige Materialdesign‑Studien erhöht.