論文の概要: Machine Learning in Thermodynamics: Prediction of Activity Coefficients by Matrix Completion

• arxiv url: http://arxiv.org/abs/2001.10675v1
• Date: Wed, 29 Jan 2020 03:16:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 21:30:10.476660
• Title: Machine Learning in Thermodynamics: Prediction of Activity Coefficients by Matrix Completion
• Title（参考訳）: 熱力学における機械学習:マトリックス完成による活動係数の予測
• Authors: Fabian Jirasek, Rodrigo A. S. Alves, Julie Damay, Robert A. Vandermeulen, Robert Bamler, Michael Bortz, Stephan Mandt, Marius Kloft, Hans Hasse
• Abstract要約: 任意の二成分混合物の活性係数を予測する確率行列分解モデルを提案する。 提案手法は,30年以上にわたって改良されてきた最先端の手法より優れている。 これは二成分混合物の物理化学的性質を予測する新しい方法への展望を開放する。
• 参考スコア（独自算出の注目度）: 34.7384528263504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Activity coefficients, which are a measure of the non-ideality of liquid mixtures, are a key property in chemical engineering with relevance to modeling chemical and phase equilibria as well as transport processes. Although experimental data on thousands of binary mixtures are available, prediction methods are needed to calculate the activity coefficients in many relevant mixtures that have not been explored to-date. In this report, we propose a probabilistic matrix factorization model for predicting the activity coefficients in arbitrary binary mixtures. Although no physical descriptors for the considered components were used, our method outperforms the state-of-the-art method that has been refined over three decades while requiring much less training effort. This opens perspectives to novel methods for predicting physico-chemical properties of binary mixtures with the potential to revolutionize modeling and simulation in chemical engineering.
• Abstract（参考訳）: 液体混合物の非理想性の測定値である活性係数は、化学工学における重要な特性であり、化学および相平衡のモデル化や輸送過程のモデル化に関係している。 数千種類の二成分混合物に関する実験データは利用可能であるが、これまで研究されていない多くの関連混合物の活性係数を計算するには予測法が必要である。 本稿では,任意の二成分混合物の活性係数を予測する確率行列分解モデルを提案する。 検討されたコンポーネントの物理的記述子は使用されていないが,本手法は,30年以上にわたって改良されてきた最先端の手法をはるかに少ないトレーニング労力で上回っている。 これにより、二成分混合物の物理化学的性質を予測し、化学工学におけるモデリングとシミュレーションに革命をもたらす可能性を秘めている。

関連論文リスト

• Hierarchical Matrix Completion for the Prediction of Properties of Binary Mixtures [3.0478550046333965]
  データ駆動モデルを改善するための新しいジェネリックアプローチを導入する。 化学のクラスに同じように振る舞うコンポーネントを持ち込み、それらを共同でモデル化します。 クラスタリングを使用すると、クラスタリングなしのCMに比べて予測が大幅に改善される。
  論文  参考訳（メタデータ） (2024-10-08T14:04:30Z)
• Balancing Molecular Information and Empirical Data in the Prediction of Physico-Chemical Properties [8.649679686652648]
  本稿では,分子記述子と表現学習を組み合わせた一般的な手法を提案する。 提案したハイブリッドモデルは,グラフニューラルネットワークを用いた化学構造情報を利用する。 構造に基づく予測が信頼できない場合を自動的に検出し、表現学習に基づく予測によって修正する。
  論文  参考訳（メタデータ） (2024-06-12T10:51:00Z)
• Data Mixing Laws: Optimizing Data Mixtures by Predicting Language Modeling Performance [55.872926690722714]
  本研究では,関数形式の混合比に関するモデル性能の予測可能性について検討する。 トレーニングステップのスケーリング法則,モデルサイズ,データ混合法則のネスト利用を提案する。 提案手法は,RedPajamaにおける100Bトークンをトレーニングした1Bモデルのトレーニング混合物を効果的に最適化する。
  論文  参考訳（メタデータ） (2024-03-25T17:14:00Z)
• Accurate melting point prediction through autonomous physics-informed learning [52.217497897835344]
  NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。 固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
  論文  参考訳（メタデータ） (2023-06-23T07:53:09Z)
• A smile is all you need: Predicting limiting activity coefficients from SMILES with natural language processing [0.1349420109127767]
  本稿では,SMILES符号からバイナリ制限活性係数を予測する自然言語処理ネットワークであるSMILES-to-Properties-Transformer(SPT)を紹介する。 我々は、COSMO-RSからサンプリングされた大量の合成データのデータセットに基づいてネットワークをトレーニングし、実験データに基づいてモデルを微調整する。 このトレーニング戦略により、SPTは未知の分子に対しても活性係数の制限を正確に予測することができ、最先端モデルと比較して平均予測誤差を半減することができる。
  論文  参考訳（メタデータ） (2022-06-15T07:11:37Z)
• Hybridizing Physical and Data-driven Prediction Methods for Physicochemical Properties [19.50116420011026]
  本稿では,物理化学的特性の予測のための物理・データ駆動手法のハイブリッド化手法を提案する。 アプローチは、物理手法の予測を事前のモデルに蒸留し、ベイズ推定を用いたスパース実験データと組み合わせる。
  論文  参考訳（メタデータ） (2022-02-17T18:15:03Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• An active learning approach for improving the performance of equilibrium based chemical simulations [0.0]
  本稿では、平衡に基づく化学シミュレーションを扱うための新しい逐次データ駆動手法を提案する。 提案手法は,サロゲートモデルを構築するために推定関数を評価すべき最も関連性の高い入力データを逐次選択する。 本手法は数値実験により検証し,地球科学でよく用いられる複雑な化学系に適用する。
  論文  参考訳（メタデータ） (2021-10-15T14:17:28Z)
• Quantum-Classical Hybrid Algorithm for the Simulation of All-Electron Correlation [58.720142291102135]
  本稿では、分子の全電子エネルギーと古典的コンピュータ上の特性を計算できる新しいハイブリッド古典的アルゴリズムを提案する。 本稿では,現在利用可能な量子コンピュータ上で,化学的に関連性のある結果と精度を実現する量子古典ハイブリッドアルゴリズムの能力を実証する。
  論文  参考訳（メタデータ） (2021-06-22T18:00:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。