ترجمه فارسی مقاله COEFF-KANها: الگویی برای پرداختن به حوزه الکترولیت با KANها

چکیده

To reduce the experimental validation workload for chemical researchers and accelerate the design and optimization of high-energy-density lithium metal batteries, we aim to leverage models to automatically predict Coulombic Efficiency (CE) based on the composition of liquid electrolytes. There are mainly two representative paradigms in existing methods: machine learning and deep learning. However, the former requires intelligent input feature selection and reliable computational methods, leading to error propagation from feature estimation to model prediction, while the latter (e.g. MultiModal-MoLFormer) faces challenges of poor predictive performance and overfitting due to limited diversity in augmented data. To tackle these issues, we propose a novel method COEFF (COlumbic EFficiency prediction via Fine-tuned models), which consists of two stages: pre-training a chemical general model and fine-tuning on downstream domain data. Firstly, we adopt the publicly available MoLFormer model to obtain feature vectors for each solvent and salt in the electrolyte. Then, we perform a weighted average of embeddings for each token across all molecules, with weights determined by the respective electrolyte component ratios. Finally, we input the obtained electrolyte features into a Multi-layer Perceptron or Kolmogorov-Arnold Network to predict CE. Experimental results on a real-world dataset demonstrate that our method achieves SOTA for predicting CE compared to all baselines. Data and code used in this work will be made publicly available after the paper is published.

چکیده به فارسی (ترجمه ماشینی)

برای کاهش بار کار اعتبار سنجی تجربی برای محققان شیمیایی و تسریع در طراحی و بهینه سازی باتری های فلزی لیتیوم با چگالی بالا ، هدف ما استفاده از مدل ها برای پیش بینی خودکار کارایی کولومبیک (CE) بر اساس ترکیب الکترولیت های مایع است.عمدتا دو پارادایم نماینده در روشهای موجود وجود دارد: یادگیری ماشین و یادگیری عمیق.با این حال ، اولی نیاز به انتخاب ویژگی های ورودی هوشمند و روش های محاسباتی قابل اعتماد دارد ، و منجر به انتشار خطا از تخمین ویژگی به پیش بینی مدل می شود ، در حالی که دومی (به عنوان مثال مولتیو-مولفورمر) با چالش های عملکرد پیش بینی ضعیف و بیش از حد به دلیل تنوع محدود در داده های افزوده روبرو است.برای مقابله با این مسائل ، ما یک ضریب روش جدید (پیش بینی کارایی کلمبیک از طریق مدل های تنظیم شده خوب) پیشنهاد می کنیم ، که از دو مرحله تشکیل شده است: پیش از ترجمه یک مدل عمومی شیمیایی و تنظیم دقیق در داده های دامنه پایین دست.در مرحله اول ، ما مدل Molformer را در دسترس عموم برای به دست آوردن بردارهای ویژگی برای هر حلال و نمک در الکترولیت اتخاذ می کنیم.سپس ، ما میانگین وزنی تعبیه شده برای هر نشانه را در تمام مولکول ها انجام می دهیم ، با وزنهای تعیین شده توسط نسبت های مؤلفه الکترولیت مربوطه.سرانجام ، ما ویژگی های الکترولیت به دست آمده را در یک شبکه چند لایه Perceptron یا Kolmogorov-Arnold برای پیش بینی CE وارد می کنیم.نتایج تجربی در یک مجموعه داده در دنیای واقعی نشان می دهد که روش ما SOTA را برای پیش بینی CE در مقایسه با همه خطوط به دست می آورد.داده ها و کدهای مورد استفاده در این کار پس از انتشار مقاله به صورت عمومی در دسترس قرار می گیرند.