نشریه پژوهش های نوین فیزیک

چکیده در این پژوهش، از روش‌های یادگیری ماشین مبتنی بر توصیف‌گرهای شیمی کوانتومی حاصل از محاسبات نظریه تابعی چگالی برای پیش‌بینی پتانسیل ردوکس مولکول‌های آلی فعال ردوکس استفاده شد. توصیف‌گرهای الکترونی استخراج‌شده از محاسبات نظریه تابعی چگالی به‌عنوان ورودی مدل‌های مختلف یادگیری ماشین به کار گرفته شدند و عملکرد آن‌ها با استفاده از شاخص‌های R2، MAE و RMSE مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل SVR با دستیابی به ضریب تعیین 0.974 و کمترین میزان خطا، بالاترین دقت پیش‌بینی را ارائه می‌دهد، در حالی که مدل Stacking نیز عملکردی بسیار نزدیک و پایدار از خود نشان داد. تحلیل هم‌بستگی، اهمیت ویژگی‌ها و مقادیر SHAPنشان داد که توصیف‌گرهای مرتبط با انتقال الکترون، به‌ویژه الکترون‌خواهی، بیشترین نقش را در پیش‌بینی پتانسیل ردوکس ایفا می‌کنند. هم‌خوانی نتایج یادگیری ماشین با مفاهیم شیمی کوانتومی بیانگر آن است که چارچوب پیشنهادی، ضمن دستیابی به دقت پیش‌بینی بالا، از قابلیت تفسیر مناسبی نیز برخوردار است. این مطالعه نشان می‌دهد که تلفیق محاسبات و یادگیری ماشین می‌تواند رویکردی کارآمد برای غربالگری سریع و طراحی هدفمند مولکول‌های آلی فعال ردوکس با خواص الکتروشیمیایی مطلوب فراهم آورد.