論文の概要: Gibbs-Helmholtz Graph Neural Network: capturing the temperature
dependency of activity coefficients at infinite dilution
- arxiv url: http://arxiv.org/abs/2212.01199v1
- Date: Fri, 2 Dec 2022 14:25:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 17:50:57.736789
- Title: Gibbs-Helmholtz Graph Neural Network: capturing the temperature
dependency of activity coefficients at infinite dilution
- Title（参考訳）: Gibbs-Helmholtz Graph Neural Network:無限希釈における活動係数の温度依存性の把握
- Authors: Edgar Ivan Sanchez Medina, Steffen Linke, Martin Stoll, Kai Sundmacher
- Abstract要約: 我々は,Gibs-Helmholtz Graph Neural Network (GH-GNN) モデルを構築し,温度の異なる分子系の$ln gamma_ijinfty$を予測する。
本稿では,GH-GNNの性能を連続的かつ離散的に解析し,モデルの適用性領域と予測精度を示す。
- 参考スコア（独自算出の注目度）: 1.290382979353427
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The accurate prediction of physicochemical properties of chemical compounds
in mixtures (such as the activity coefficient at infinite dilution
$\gamma_{ij}^\infty$) is essential for developing novel and more sustainable
chemical processes. In this work, we analyze the performance of
previously-proposed GNN-based models for the prediction of
$\gamma_{ij}^\infty$, and compare them with several mechanistic models in a
series of 9 isothermal studies. Moreover, we develop the Gibbs-Helmholtz Graph
Neural Network (GH-GNN) model for predicting $\ln \gamma_{ij}^\infty$ of
molecular systems at different temperatures. Our method combines the simplicity
of a Gibbs-Helmholtz-derived expression with a series of graph neural networks
that incorporate explicit molecular and intermolecular descriptors for
capturing dispersion and hydrogen bonding effects. We have trained this model
using experimentally determined $\ln \gamma_{ij}^\infty$ data of 40,219
binary-systems involving 1032 solutes and 866 solvents, overall showing
superior performance compared to the popular UNIFAC-Dortmund model. We analyze
the performance of GH-GNN for continuous and discrete inter/extrapolation and
give indications for the model's applicability domain and expected accuracy. In
general, GH-GNN is able to produce accurate predictions for extrapolated
binary-systems if at least 25 systems with the same combination of
solute-solvent chemical classes are contained in the training set and a
similarity indicator above 0.35 is also present. This model and its
applicability domain recommendations have been made open-source at
https://github.com/edgarsmdn/GH-GNN.
- Abstract（参考訳）: 混合物中の化合物の物理化学的性質(無限希釈時の活性係数$\gamma_{ij}^\infty$など)の正確な予測は、新規で持続可能な化学プロセスの開発に不可欠である。
本研究では,以前に提案したGNNモデルの性能を$\gamma_{ij}^\infty$の予測のために解析し,9種類の等温線研究におけるいくつかの力学モデルと比較する。
さらに,Gibs-Helmholtz Graph Neural Network (GH-GNN)モデルを構築し,温度の異なる分子系の$\ln \gamma_{ij}^\infty$を予測する。
本手法は,Gibs-Helmholtz 由来の表現の単純さと,分散および水素結合効果を捉えるための明示的な分子および分子間記述子を含む一連のグラフニューラルネットワークを組み合わせる。
実験によって決定された$\ln \gamma_{ij}^\infty$データを用いて1032の溶質と866の溶媒を含む40,219の2値系をトレーニングし、UNIFAC-Dortmundモデルと比較して総合的に優れた性能を示した。
本稿では,GH-GNNの性能を連続的かつ離散的に解析し,モデルの適用性領域と予測精度を示す。
一般に、GH-GNNは、溶質溶剤系と同一の組み合わせを持つ少なくとも25の系がトレーニングセットに含まれており、0.35以上の類似度指標が存在する場合、外挿二元系に対して正確な予測を行うことができる。
このモデルとその適用性ドメインレコメンデーションはhttps://github.com/edgarsmdn/GH-GNNでオープンソース化されている。
関連論文リスト
- Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric
GNNs [66.98487644676906]
我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。
幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。
また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
論文 参考訳（メタデータ） (2024-09-26T08:16:59Z) - Learning CO$_2$ plume migration in faulted reservoirs with Graph Neural
Networks [0.3914676152740142]
我々は,CO$$ plumeマイグレーションに対する断層の影響を捉えるグラフベースのニューラルモデルを開発した。
本研究では, 断層を有する合成貯留層において, ガス飽和度と細孔圧力の経時的変化を正確に予測できることを実証した。
この研究は、複雑な断層と破壊を伴う地下流れを正確にかつ迅速にモデル化するためのGNNベースの手法の可能性を強調している。
論文 参考訳（メタデータ） (2023-06-16T06:47:47Z) - Gibbs-Duhem-Informed Neural Networks for Binary Activity Coefficient
Prediction [45.84205238554709]
本稿では,Gibs-Duhem-informed Neural Network を用いて,様々な組成における二成分活性係数の予測を行う。
ニューラルネットワークの学習における損失関数にギブス・デュヘム方程式を明示的に含んでいる。
論文 参考訳（メタデータ） (2023-05-31T07:36:45Z) - Predicting CO$_2$ Absorption in Ionic Liquids with Molecular Descriptors
and Explainable Graph Neural Networks [9.04563945965023]
液体(IL)は、温暖化を緩和するためにCO$$の捕獲と貯蔵のための有望なソリューションを提供する。
本研究では,指紋に基づく機械学習モデルとグラフニューラルネットワーク(GNN)の両方を開発し,ILにおけるCO$の予測を行う。
従来のMLモデルよりも精度が高い(MAEは0.0137,$R2$は0.9884)。
論文 参考訳（メタデータ） (2022-09-29T18:31:12Z) - Efficient Chemical Space Exploration Using Active Learning Based on
Marginalized Graph Kernel: an Application for Predicting the Thermodynamic
Properties of Alkanes with Molecular Simulation [10.339394156446982]
分子動力学シミュレーションを用いてデータとグラフニューラルネットワーク(GNN)を生成して予測する。
具体的には、4から19個の炭素原子からなる251,728個のアルカン分子とその液体物性を標的としている。
検証の結果、313個の分子だけが正確なGNNモデルを訓練するのに十分であり、計算テストセットは$rm R2 > 0.99$、実験テストセットは$rm R2 > 0.94$であった。
論文 参考訳（メタデータ） (2022-09-01T14:59:13Z) - MolGraph: a Python package for the implementation of molecular graphs
and graph neural networks with TensorFlow and Keras [51.92255321684027]
MolGraphは、分子機械学習(ML)のためのグラフニューラルネットワーク(GNN)パッケージである
MolGraphは、分子ML問題を解決するためにGNNアルゴリズムに渡すことができる小さな分子グラフを生成するための化学モジュールを実装している。
GNNは分子識別に有用であり,クロマトグラフィー保持時間データの解釈性が向上した。
論文 参考訳（メタデータ） (2022-08-21T18:37:41Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳（メタデータ） (2022-07-25T11:30:44Z) - Graph Neural Networks for Temperature-Dependent Activity Coefficient
Prediction of Solutes in Ionic Liquids [58.720142291102135]
IL中の溶質の温度依存性無限希釈交流を予測するためのGNNを提案する。
我々は、GNNを4万以上のAC値を含むデータベース上でトレーニングし、最先端のMCMと比較する。
GNNとMCMも同様に高い予測性能を達成し、GNNはトレーニング中に考慮されていないILと溶質を含む溶液のACに対して高品質な予測を可能にする。
論文 参考訳（メタデータ） (2022-06-23T15:27:29Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z) - Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。
MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。
我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文 参考訳（メタデータ） (2020-05-17T04:46:07Z)
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。