반응 최적화를 위한 특징 선택
본 연구는 데이터 효율적인 반응 최적화를 위해 다변량 선형 회귀 모델을 지원하는 NaviCat ReaFS 프레임워크를 제안한다. ReaFS는 데이터가 적고 이질적이며 과적합 위험이 높은 소규모 데이터셋에서 반응 최적화 모델의 성능을 평가하고 개선하는 데 중점을 둔다. 이는 추가 실험 비용이 높은 촉매 반응 연구 분야에서 특히 중요하다. ReaFS는 특징 선택 방법론에 대한 체계적인 벤치마킹과 데이터, 특징 부분집합, 예측을 아우르는 진단 기능을 결합한다. 또한, 외삽 성능의 상호 보완적인 측면인 후보 복구율, 예측 정확도, 순위 품질을 포괄하는 복합 점수를 도입하여, 동종 촉매 반응 데이터셋 전반에서 모델 및 특징 선택 전략을 직접 비교할 수 있게 한다. 이 프레임워크는 교차 검증 방식, 데이터 및 특징 진단, 그리고 모델의 미래 성능 평가를 위한 견고성 검사를 통합한다. 이러한 구성 요소들은 저데이터 환경에서 반응 최적화를 위한 보다 정보에 입각한 의사결정을 내릴 수 있는 실용적인 경로를 제공한다. 궁극적으로 ReaFS는 제한된 데이터로도 효율적인 반응 최적화를 가능하게 하여, 신약 개발 및 신소재 합성 등 다양한 화학 공정의 효율성을 높이는 데 기여할 것으로 기대된다.