論文の概要: PUFFIN: A Path-Unifying Feed-Forward Interfaced Network for Vapor
Pressure Prediction
- arxiv url: http://arxiv.org/abs/2307.02903v1
- Date: Thu, 6 Jul 2023 10:29:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-07 14:26:21.997567
- Title: PUFFIN: A Path-Unifying Feed-Forward Interfaced Network for Vapor
Pressure Prediction
- Title（参考訳）: puffin:蒸気圧予測のためのパス統一フィードフォワードインタフェースネットワーク
- Authors: Vinicius Viena Santana, Carine Menezes Rebello, Luana P. Queiroz, Ana
Mafalda Ribeiro, Nadia Shardta, and Idelfonso B. R. Nogueira
- Abstract要約: 蒸気圧の正確な予測は、様々な産業や環境用途に不可欠である。
ドメイン知識にインスパイアされた新しい帰納バイアスノードとトランスファーラーニングを組み合わせた機械学習フレームワークPUFFINを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately predicting vapor pressure is vital for various industrial and
environmental applications. However, obtaining accurate measurements for all
compounds of interest is not possible due to the resource and labor intensity
of experiments. The demand for resources and labor further multiplies when a
temperature-dependent relationship for predicting vapor pressure is desired. In
this paper, we propose PUFFIN (Path-Unifying Feed-Forward Interfaced Network),
a machine learning framework that combines transfer learning with a new
inductive bias node inspired by domain knowledge (the Antoine equation) to
improve vapor pressure prediction. By leveraging inductive bias and transfer
learning using graph embeddings, PUFFIN outperforms alternative strategies that
do not use inductive bias or that use generic descriptors of compounds. The
framework's incorporation of domain-specific knowledge to overcome the
limitation of poor data availability shows its potential for broader
applications in chemical compound analysis, including the prediction of other
physicochemical properties. Importantly, our proposed machine learning
framework is partially interpretable, because the inductive Antoine node yields
network-derived Antoine equation coefficients. It would then be possible to
directly incorporate the obtained analytical expression in process design
software for better prediction and control of processes occurring in industry
and the environment.
- Abstract（参考訳）: 蒸気圧の正確な予測は、様々な産業・環境用途に不可欠である。
しかし, 実験の資源と労働力の強さから, 興味のあるすべての化合物の正確な測定は不可能である。
蒸気圧を予測するための温度依存関係が要求されるとき、資源と労働の需要はさらに増加する。
本稿では,移動学習とドメイン知識(アントワーヌ方程式)にインスパイアされた新しい帰納バイアスノードを組み合わせることで,蒸気圧予測を改善する機械学習フレームワークPUFFINを提案する。
グラフ埋め込みを用いたインダクティブバイアスとトランスファーラーニングを活用することで、puffinはインダクティブバイアスを使用しない、あるいは化合物の汎用記述子を使用する代替戦略よりも優れている。
このフレームワークは、データ可用性の限界を克服するためにドメイン固有の知識を組み込むことによって、他の物理化学的性質の予測を含む化学化合物分析の幅広い応用の可能性を示している。
インダクティブアントインノードはネットワーク由来アントイン方程式係数を生成するため,提案する機械学習フレームワークは部分的に解釈可能である。
すると、得られた分析表現を直接プロセス設計ソフトウェアに組み込んで、産業や環境で発生するプロセスの予測と制御を改善することができる。
関連論文リスト
- Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。
帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。
本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。
第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
論文 参考訳（メタデータ） (2024-08-03T13:37:40Z) - Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
グラフニューラルネットワーク(GNN)は、モデル精度を高めるために帰納バイアスとしてリレーショナル情報を使用する。
課題関連関係が不明なため,下流予測タスクを解きながら学習するためのグラフ構造学習手法が提案されている。
論文 参考訳（メタデータ） (2024-05-30T10:49:22Z) - Towards a theory of model distillation [0.0]
蒸留は、複雑な機械学習モデルを、オリジナルを近似するより単純なモデルに置き換える作業である。
ニューラルネットワークを簡潔で明確な決定木表現に効率的に抽出する方法を示す。
我々は, 蒸留がスクラッチから学習するよりもはるかに安価であることを証明するとともに, その複雑さを特徴づけることを進める。
論文 参考訳（メタデータ） (2024-03-14T02:42:19Z) - Employing Explainable Artificial Intelligence (XAI) Methodologies to
Analyze the Correlation between Input Variables and Tensile Strength in
Additively Manufactured Samples [0.0]
本研究では, インフィルパーセンテージ, 層高さ, 押出温度, 印刷速度などの入力パラメータが, 添加物製造による引張強度に及ぼす影響について検討した。
我々は、初めて説明可能な人工知能(XAI)技術を導入し、データの分析とシステムの振る舞いに関する貴重な洞察を得ることを可能にした。
その結果, 浸透率と押出温度が引張強度に最も大きな影響を与えているのに対し, 層高と印刷速度の影響は比較的小さいことがわかった。
論文 参考訳（メタデータ） (2023-05-28T21:44:25Z) - PDE+: Enhancing Generalization via PDE with Adaptive Distributional
Diffusion [66.95761172711073]
ニューラルネットワークの一般化は、機械学習における中心的な課題です。
本稿では、入力データを調整することに集中するのではなく、ニューラルネットワークの基盤機能を直接拡張することを提案する。
私たちはこの理論的フレームワークを、$textbfPDE+$$textbfPDE$ with $textbfA$daptive $textbfD$istributional $textbfD$iffusionとして実践しました。
論文 参考訳（メタデータ） (2023-05-25T08:23:26Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。
既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。
本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
論文 参考訳（メタデータ） (2022-03-11T10:47:16Z) - Correlated-informed neural networks: a new machine learning framework to
predict pressure drop in micro-channels [0.0]
本稿では,マイクロチャネル内のゼオトロピック混合物の圧力降下を予測するために,人工知能ニューラルネットワーク(ANN)技術を適用した新しいパラダイムを提案する。
提案するアプローチは、データセットを削減したディープラーニング問題によく使用されるTransfer Learningにインスパイアされている。
本研究では, トレーニングに使用する実験データと, 平均相対誤差(mre)が6%, 太陽・三島相関が13%であった場合, 相関インフォームド手法を用いて得られた利点を示す。
論文 参考訳（メタデータ） (2022-01-19T19:40:21Z) - Machine Learning for Gas and Oil Exploration [0.0]
井戸の丸太にはボアホール周辺の岩石の様々な特徴が含まれており、石油物理学者が予想される炭化水素の量を決定することができる。
これらのログはしばしば不完全であり、その結果、その後の分析はウェルログの完全なポテンシャルを活用できない。
本稿では,機械学習がギャップの埋め合わせに応用され,欠落した値を推定できることを実証する。
次に、モデルの予測を定量的に、予測誤差を追跡し、定性的に、与えられた特性に対する測定値と予測値の進化を深度で捉える。
論文 参考訳（メタデータ） (2020-10-04T11:03:17Z) - Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。
アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
論文 参考訳（メタデータ） (2020-05-08T16:15:47Z)
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。