Saved in:
| Main Author: | |
|---|---|
| Format: | Recurso digital |
| Language: | Spanish |
| Published: |
Zenodo
2026
|
| Subjects: | |
| Online Access: | https://doi.org/10.5281/zenodo.18500404 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Table of Contents:
- <h3>Resumen</h3> <p>La predicción de energías de activación, propiedad relevante para el diseño y estudio de catalizadores, presenta un desafío significativo. Los métodos experimentales y los cálculos ab initio de alta fidelidad, como la Teoría del Funcional de la Densidad (DFT) y los métodos post-Hartree-Fock son costosos e imprácticos para el cribado de extensos espacios químicos. Esta monografía busca evaluar la capacidad de los modelos de aprendizaje automático (ML) para abordar este problema, analizando su desempeño frente a los cálculos ab initio convencionales. A partir del análisis de distintos enfoques de predicción directa de energías de activación y estrategias híbridas Δ-ML, se observa que los modelos de ML pueden alcanzar precisiones comparables e incluso superiores a funcionales DFT específicos, como ωB97X-D3, en dominios químicos bien definidos. Su mayor potencial radica en su aplicación como herramienta de pre-tamizado en estudios de alto rendimiento y en la corrección de cálculos DFT para aproximarse a la precisión del "estándar de oro" CCSD(T). En conclusión, el ML no sustituye a los métodos ab initio, sino que los complementa, optimizando la exploración de sistemas químicos extensos, aunque su dependencia de datos y la interpretabilidad siguen siendo desafíos activos.</p> <p> </p> <h3>Abstract (English)</h3> <p>Predicting activation energies, a key property for catalyst design and study, presents a significant challenge. Experimental methods and high-fidelity ab initio calculations, such as Density Functional Theory (DFT) and post-Hartree-Fock methods, are computationally expensive and impractical for screening vast chemical spaces. This monograph aims to evaluate the capability of Machine Learning (ML) models to address this issue by analyzing their performance compared to conventional ab initio calculations. Based on the analysis of various direct activation energy prediction approaches and hybrid Δ-ML strategies, it is observed that ML models can achieve accuracies comparable to, and even surpassing, specific DFT functionals such as ωB97X-D3 within well-defined chemical domains. Their greatest potential lies in their application as pre-screening tools in high-throughput studies and in correcting DFT calculations to approach the accuracy of the CCSD(T) "gold standard." In conclusion, ML does not replace ab initio methods but complements them, optimizing the exploration of vast chemical systems, although data dependency and interpretability remain ongoing challenges.</p>