ขมิ้บด๊าซซ โป่งโป๊ง

Inspiration

ทีมของเราได้เข้าร่วมแข่งขัน TMLCC ประจำปี 2021 ซึ่งได้รับโจทย์ให้สร้างโมเดลทำนายความสามารถในการดูดซับก๊าซของ Metal-Organic Frameworks (MOFs) จากข้อมูลที่ได้รับจากโครงการ

What it does

ทีมขมิ้บด๊าซซ โป่งโป๊ง เลือกใช้ Machine learning อย่างการทำ K-MEAN & LGBM regression และ Deep learning อย่าง Feed Forward neural network (FFNN) และ Convolutional Neural Network (CNN) ในการสร้างโมเดลทำนายที่หลากหลาย นอกจากนี้ เรายังมีการเพิ่มข้อมูลจากไฟล์ .xyz ของทางโครงการ ซึ่งสามารถแปลงเป็น SMILES และคำนวณค่าต่าง ๆ ทางเคมีเพิ่มเติม จนได้ข้อมูลรวม 70 ตัวแปรด้วยกัน

How we built it

ทีมของเราใช้ภาษา Python 3 ในการเขียนโปรแกรมทั้งหมด ประกอบกับ library ต่าง ๆ ดังนี้

open babel: สำหรับการแปลงไฟล์ .xyz เป็น SMILES
RDKit: สำหรับรับค่าทางเคมีจาก SMILES
numpy: สำหรับค่าคงที่ต่าง ๆ และการจัดการ array
pandas: สำหรับจัดการ Data frame ให้ได้ข้อมูลที่ต้องการ
matplotlib: สำหรับทำ Data visualization ระหว่างสร้างโมเดล
keras: สำหรับทำโมเดล Deep learning
scikit-learn: สำหรับทำโมเดล LGBM regression

Challenges we ran into

การ cleansing ข้อมูลที่ได้รับให้เกิดความถูกต้องสูงสุด เช่น ข้อมูล surface area บางตัวมีค่าน้อยกว่าหรือเท่ากับ 0 และ Heat adsorption CO2 บางตัวไม่มีค่า เป็นต้น
ต้องศึกษาการคำนวณเชิงเคมี รวมถึง library ที่เกี่ยวข้อง เพื่อหาข้อมูลมาประกอบการทำโมเดลให้ได้มากที่สุด ## Accomplishments that we're proud of
ทีมของเราสามารถสร้างโมเดลได้หลากหลาย และค่อนข้างมีประสิทธิภาพที่ดี โดยโมเดลที่ดีที่สุดคือ CNN ซึ่งมีค่า LMAE error อยู่ที่ 1.2662692262

What we learned

คุณสมบัติและความสำคัญของ MOFs
ความรู้เกี่ยวกับ Machine learning และ Deep learning
การประยุกต์ใช้ Machine learning ในการทำนายคุณสมบัติทางเคมีของ MOFs รวมถึง library ที่เกี่ยวข้อง
ได้เข้าร่วมการแข่งขัน Data science สำหรับวิทยาศาสตร์เป็นครั้งแรก