Aprendizaje automático para el estudio del potencial del estado excitado de fotocatalizadores orgánicos

Autores
Gastelu, Gabriela; Flesia, Ana Georgina; Ulfhon, Javier Ivan
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Fil: Gastelu, Gabriela. Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Química Orgánica; Argentina.
Fil: Gastelu, Gabriela. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Fisicoquímica de Córdoba; Argentina.
Fil: Flesia, Ana Georgina. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía Física y Computación; Argentina.
Fil: Flesia, Ana Georgina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigación y Estudios de la Matemática; Argentina.
Fil: Bardagi, Javier Ivan. Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Química Orgánica; Argentina.
Fil: Bardagi, Javier Ivan. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Fisicoquímica de Córdoba; Argentina.
El estudio y predicción de propiedades fotoquímicas de compuestos orgánicos resulta esencial para el desarrollo de metodologías sustentables para catálisis foto-rédox. En este sentido, la aplicación de aprendizaje automático para la optimización de modelos de regresión puede ser una herramienta muy útil para mejorar y acelerar las predicciones de potenciales de estados excitados de fotocatalizadores orgánicos. En este trabajo, se optimizó un modelo Lasso, obteniendo un R2 de 0,98 a partir de una base de datos de 57 fotocatalizadores. Además, se realizó un análisis de los descriptores más importantes para la determinación de esta propiedad fotoquímica.
ABSTRACT The study and prediction of photochemical properties of organic compounds is essential for the development of sustainable methodologies for photo-redox catalysis. In this sense, the application of machine learning for the optimization of regression models can be a very useful tool to improve and accelerate the prediction of excited state potentials of organic photocatalysts. In this work, a Lasso model was optimized, obtaining an R2 of 0.98 from a database of 57 photocatalysts. In addition, an analysis of the most important descriptors for the determination of this photochemical property was performed.
Fil: Gastelu, Gabriela. Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Química Orgánica; Argentina.
Fil: Gastelu, Gabriela. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Fisicoquímica de Córdoba; Argentina.
Fil: Flesia, Ana Georgina. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía Física y Computación; Argentina.
Fil: Flesia, Ana Georgina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigación y Estudios de la Matemática; Argentina.
Fil: Bardagi, Javier Ivan. Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Química Orgánica; Argentina.
Fil: Bardagi, Javier Ivan. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Fisicoquímica de Córdoba; Argentina.
Materia
Catálisis foto-rédox
Potencial de estado excitado
Regresión lineal
Modelo Lasso
Descriptores moleculares
Química computacional
Diseño de fotocatalizadores
Eje temático: Investigación en disciplinas básicas y aplicadas
TECHNOLOGY
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Repositorio
Repositorio Digital Universitario (UNC)
Institución
Universidad Nacional de Córdoba
OAI Identificador
oai:rdu.unc.edu.ar:11086/558206
Acceder
id RDUUNC_1d1764ca714a7c9185dedb620307b974
oai_identifier_str oai:rdu.unc.edu.ar:11086/558206
network_acronym_str RDUUNC
repository_id_str 2572
network_name_str Repositorio Digital Universitario (UNC)
spelling Aprendizaje automático para el estudio del potencial del estado excitado de fotocatalizadores orgánicosGastelu, GabrielaFlesia, Ana GeorginaUlfhon, Javier IvanCatálisis foto-rédoxPotencial de estado excitadoRegresión linealModelo LassoDescriptores molecularesQuímica computacionalDiseño de fotocatalizadoresEje temático: Investigación en disciplinas básicas y aplicadasTECHNOLOGYFil: Gastelu, Gabriela. Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Química Orgánica; Argentina.Fil: Gastelu, Gabriela. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Fisicoquímica de Córdoba; Argentina.Fil: Flesia, Ana Georgina. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía Física y Computación; Argentina.Fil: Flesia, Ana Georgina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigación y Estudios de la Matemática; Argentina.Fil: Bardagi, Javier Ivan. Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Química Orgánica; Argentina.Fil: Bardagi, Javier Ivan. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Fisicoquímica de Córdoba; Argentina.El estudio y predicción de propiedades fotoquímicas de compuestos orgánicos resulta esencial para el desarrollo de metodologías sustentables para catálisis foto-rédox. En este sentido, la aplicación de aprendizaje automático para la optimización de modelos de regresión puede ser una herramienta muy útil para mejorar y acelerar las predicciones de potenciales de estados excitados de fotocatalizadores orgánicos. En este trabajo, se optimizó un modelo Lasso, obteniendo un R2 de 0,98 a partir de una base de datos de 57 fotocatalizadores. Además, se realizó un análisis de los descriptores más importantes para la determinación de esta propiedad fotoquímica.ABSTRACT The study and prediction of photochemical properties of organic compounds is essential for the development of sustainable methodologies for photo-redox catalysis. In this sense, the application of machine learning for the optimization of regression models can be a very useful tool to improve and accelerate the prediction of excited state potentials of organic photocatalysts. In this work, a Lasso model was optimized, obtaining an R2 of 0.98 from a database of 57 photocatalysts. In addition, an analysis of the most important descriptors for the determination of this photochemical property was performed.Fil: Gastelu, Gabriela. Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Química Orgánica; Argentina.Fil: Gastelu, Gabriela. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Fisicoquímica de Córdoba; Argentina.Fil: Flesia, Ana Georgina. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía Física y Computación; Argentina.Fil: Flesia, Ana Georgina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigación y Estudios de la Matemática; Argentina.Fil: Bardagi, Javier Ivan. Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Química Orgánica; Argentina.Fil: Bardagi, Javier Ivan. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Fisicoquímica de Córdoba; Argentina.2024info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfGastelu, G., Flesia, A. G., & Bardagi, J. I. (2024). Aprendizaje automático para el estudio del potencial del estado excitado de fotocatalizadores orgánicos. Universidad Nacional de Córdoba; Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET).http://hdl.handle.net/11086/558206spainfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2025-10-23T11:19:01Zoai:rdu.unc.edu.ar:11086/558206Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722025-10-23 11:19:01.677Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse
dc.title.none.fl_str_mv Aprendizaje automático para el estudio del potencial del estado excitado de fotocatalizadores orgánicos
title Aprendizaje automático para el estudio del potencial del estado excitado de fotocatalizadores orgánicos
spellingShingle Aprendizaje automático para el estudio del potencial del estado excitado de fotocatalizadores orgánicos
Gastelu, Gabriela
Catálisis foto-rédox
Potencial de estado excitado
Regresión lineal
Modelo Lasso
Descriptores moleculares
Química computacional
Diseño de fotocatalizadores
Eje temático: Investigación en disciplinas básicas y aplicadas
TECHNOLOGY
title_short Aprendizaje automático para el estudio del potencial del estado excitado de fotocatalizadores orgánicos
title_full Aprendizaje automático para el estudio del potencial del estado excitado de fotocatalizadores orgánicos
title_fullStr Aprendizaje automático para el estudio del potencial del estado excitado de fotocatalizadores orgánicos
title_full_unstemmed Aprendizaje automático para el estudio del potencial del estado excitado de fotocatalizadores orgánicos
title_sort Aprendizaje automático para el estudio del potencial del estado excitado de fotocatalizadores orgánicos
dc.creator.none.fl_str_mv Gastelu, Gabriela
Flesia, Ana Georgina
Ulfhon, Javier Ivan
author Gastelu, Gabriela
author_facet Gastelu, Gabriela
Flesia, Ana Georgina
Ulfhon, Javier Ivan
author_role author
author2 Flesia, Ana Georgina
Ulfhon, Javier Ivan
author2_role author
author
dc.subject.none.fl_str_mv Catálisis foto-rédox
Potencial de estado excitado
Regresión lineal
Modelo Lasso
Descriptores moleculares
Química computacional
Diseño de fotocatalizadores
Eje temático: Investigación en disciplinas básicas y aplicadas
TECHNOLOGY
topic Catálisis foto-rédox
Potencial de estado excitado
Regresión lineal
Modelo Lasso
Descriptores moleculares
Química computacional
Diseño de fotocatalizadores
Eje temático: Investigación en disciplinas básicas y aplicadas
TECHNOLOGY
dc.description.none.fl_txt_mv Fil: Gastelu, Gabriela. Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Química Orgánica; Argentina.
Fil: Gastelu, Gabriela. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Fisicoquímica de Córdoba; Argentina.
Fil: Flesia, Ana Georgina. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía Física y Computación; Argentina.
Fil: Flesia, Ana Georgina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigación y Estudios de la Matemática; Argentina.
Fil: Bardagi, Javier Ivan. Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Química Orgánica; Argentina.
Fil: Bardagi, Javier Ivan. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Fisicoquímica de Córdoba; Argentina.
El estudio y predicción de propiedades fotoquímicas de compuestos orgánicos resulta esencial para el desarrollo de metodologías sustentables para catálisis foto-rédox. En este sentido, la aplicación de aprendizaje automático para la optimización de modelos de regresión puede ser una herramienta muy útil para mejorar y acelerar las predicciones de potenciales de estados excitados de fotocatalizadores orgánicos. En este trabajo, se optimizó un modelo Lasso, obteniendo un R2 de 0,98 a partir de una base de datos de 57 fotocatalizadores. Además, se realizó un análisis de los descriptores más importantes para la determinación de esta propiedad fotoquímica.
ABSTRACT The study and prediction of photochemical properties of organic compounds is essential for the development of sustainable methodologies for photo-redox catalysis. In this sense, the application of machine learning for the optimization of regression models can be a very useful tool to improve and accelerate the prediction of excited state potentials of organic photocatalysts. In this work, a Lasso model was optimized, obtaining an R2 of 0.98 from a database of 57 photocatalysts. In addition, an analysis of the most important descriptors for the determination of this photochemical property was performed.
Fil: Gastelu, Gabriela. Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Química Orgánica; Argentina.
Fil: Gastelu, Gabriela. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Fisicoquímica de Córdoba; Argentina.
Fil: Flesia, Ana Georgina. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía Física y Computación; Argentina.
Fil: Flesia, Ana Georgina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigación y Estudios de la Matemática; Argentina.
Fil: Bardagi, Javier Ivan. Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Química Orgánica; Argentina.
Fil: Bardagi, Javier Ivan. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Investigaciones en Fisicoquímica de Córdoba; Argentina.
description Fil: Gastelu, Gabriela. Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Química Orgánica; Argentina.
publishDate 2024
dc.date.none.fl_str_mv 2024
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv Gastelu, G., Flesia, A. G., & Bardagi, J. I. (2024). Aprendizaje automático para el estudio del potencial del estado excitado de fotocatalizadores orgánicos. Universidad Nacional de Córdoba; Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET).
http://hdl.handle.net/11086/558206
identifier_str_mv Gastelu, G., Flesia, A. G., & Bardagi, J. I. (2024). Aprendizaje automático para el estudio del potencial del estado excitado de fotocatalizadores orgánicos. Universidad Nacional de Córdoba; Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET).
url http://hdl.handle.net/11086/558206
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Digital Universitario (UNC)
instname:Universidad Nacional de Córdoba
instacron:UNC
reponame_str Repositorio Digital Universitario (UNC)
collection Repositorio Digital Universitario (UNC)
instname_str Universidad Nacional de Córdoba
instacron_str UNC
institution UNC
repository.name.fl_str_mv Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba
repository.mail.fl_str_mv oca.unc@gmail.com
_version_ 1846785318908329984
score 12.982451

Publicaciones similares