Ambato, Ecuador
El objetivo de este estudio fue desarrollar algoritmos basados en inteligencia artificial (IA) para calcular la energía molecular, proponiendo la hipótesis alternativa de que la aplicación de IA resultaría en una mayor precisión y eficiencia en comparación con métodos tradicionales. La metodología incluyó la recopilación y preparación de datos moleculares, la elección de un algoritmo de aprendizaje automático (máquinas de vectores de soporte), la división y validación del conjunto de datos, el entrenamiento y ajuste de hiperparámetros, así como la prueba y evaluación del modelo. La validación externa del modelo, crucial para su aplicabilidad, mostró un impresionante F1-score de 0.97, indicando un rendimiento robusto y confiable en predicción y clasificación. Los resultados revelaron que la energía calculada para la molécula de agua indicaba una alta estabilidad en su configuración optimizada. El peso molecular de la molécula de agua, 18.015 g/mol, fue identificado como un indicador clave de la masa molecular, crucial en el análisis y diseño de compuestos químicos. Además, el valor de LogP (-0.8247) sugirió una alta solubilidad de la molécula de agua en agua, respaldando la capacidad del modelo para proporcionar información relevante sobre propiedades moleculares. En resumen, este enfoque de IA demostró ser altamente eficaz, ofreciendo una herramienta precisa y eficiente para el cálculo de energía molecular y propiedades asociadas.
The objective of this study was to develop algorithms based on artificial intelligence (AI) to calculate molecular energy, proposing an alternative hypothesis that the application of AI would result in greater precision and efficiency in comparison with traditional methods. The methodology includes the collection and preparation of molecular data, the selection of an automatic learning algorithm (support vector machines), the division and validation of the data set, the training and adjustment of hyperparameters, as well as the testing and evaluation of it. model. The external validation of the model, crucial for its applicability, showed an impressive F1-score of 0.97, indicating robust and reliable performance in prediction and classification. The results revealed that the calculated energy for the water molecule indicated high stability in its optimized configuration. The molecular weight of the water molecule, 18.015 g/mol, was identified as a key indicator of molecular mass, crucial in the analysis and design of chemical compounds.
Furthermore, the LogP value (-0.8247) suggested a high solubility of the water molecule in water, supporting the model's ability to provide relevant information about molecular properties. In short, this AI approach has proven to be highly effective, offering a precise and efficient tool for calculating molecular energy and associated properties.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados