Forscher haben einen maschinellen Lern-Workflow entwickelt, um die Ausgangskraft von photo-aktuierten organischen Kristallen zu optimieren. Durch die Verwendung von LASSO-Regression, um wichtige molekulare Teilstrukturen zu identifizieren, und Bayesian-Optimierung für effizientes Sampling, erreichten sie eine maximale Blockierkraft von 37,0 mN - 73-mal effizienter als konventionelle Methoden.
phys.org
Machine learning unlocks superior performance in light-driven organic crystals
RSS Hunter
2025-04-15