論文の概要: Predicting the Temperature Dependence of Surfactant CMCs Using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2403.03767v1
• Date: Wed, 6 Mar 2024 15:03:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 14:46:31.446548
• Title: Predicting the Temperature Dependence of Surfactant CMCs Using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークによるサーファクタントCMCの温度依存性の予測
• Authors: Christoforos Brozos, Jan G. Rittig, Sandip Bhattacharya, Elie Akanny, Christina Kohlmann, Alexander Mitsos
• Abstract要約: 古典的QSPRとグラフニューラルネットワーク(GNN)は室温での界面活性剤のCMC予測に成功している。 本稿では,界面活性剤の温度依存性CMC予測のためのGNNモデルを提案する。
• 参考スコア（独自算出の注目度）: 38.39977540117143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The critical micelle concentration (CMC) of surfactant molecules is an essential property for surfactant applications in industry. Recently, classical QSPR and Graph Neural Networks (GNNs), a deep learning technique, have been successfully applied to predict the CMC of surfactants at room temperature. However, these models have not yet considered the temperature dependency of the CMC, which is highly relevant for practical applications. We herein develop a GNN model for temperature-dependent CMC prediction of surfactants. We collect about 1400 data points from public sources for all surfactant classes, i.e., ionic, nonionic, and zwitterionic, at multiple temperatures. We test the predictive quality of the model for following scenarios: i) when CMC data for surfactants are present in the training of the model in at least one different temperature, and ii) CMC data for surfactants are not present in the training, i.e., generalizing to unseen surfactants. In both test scenarios, our model exhibits a high predictive performance of R$^2 \geq $ 0.94 on test data. We also find that the model performance varies by surfactant class. Finally, we evaluate the model for sugar-based surfactants with complex molecular structures, as these represent a more sustainable alternative to synthetic surfactants and are therefore of great interest for future applications in the personal and home care industries.
• Abstract（参考訳）: 界面活性剤分子の臨界ミセル濃度(cmc)は産業における界面活性剤応用に必須な性質である。 近年,深層学習手法である古典的qsprおよびグラフニューラルネットワーク(gnns)が,室温での界面活性剤のcmc予測に有効である。 しかし、これらのモデルはcmcの温度依存性をまだ考慮していない。 本稿では,界面活性剤の温度依存性CMC予測のためのGNNモデルを提案する。 イオン,非イオン,zwitterionicなどすべての界面活性剤クラスについて,複数の温度で公開ソースから約1400個のデータポイントを収集した。 モデルの予測品質を以下のシナリオでテストします。 一 モデルの訓練において、界面活性剤のcmcデータが少なくとも一つの異なる温度で存在するとき。 二 界面活性剤のcmcデータは、訓練、すなわち、未検出界面活性剤に一般化された訓練には存在しない。 どちらのテストシナリオにおいても、テストデータに対するr$^2 \geq $ 0.94の予測性能を示す。 また,モデル性能は界面活性剤クラスによって異なることがわかった。 最後に, 複雑な分子構造をもつ糖系界面活性剤のモデルの評価を行った。

関連論文リスト

• Predicting the Temperature-Dependent CMC of Surfactant Mixtures with Graph Neural Networks [36.814181034608666]
  界面活性剤は、様々な産業で発泡および浄化の鍵となる材料である。 実際には、界面活性剤の混合物は通常、性能、環境、コストの理由から使用される。 本研究では,CMCの温度依存性を予測するため,界面活性剤混合物のグラフニューラルネットワークフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-11-04T16:17:57Z)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• Graph Neural Networks for Surfactant Multi-Property Prediction [38.39977540117143]
  グラフニューラルネットワーク (GNN) は, イオン液体, 高分子, 薬物の物性予測において, 高い予測性能を示した。 429個の分子を持つ最大のCMCデータベースを作成し、表面過剰濃度のための最初の大規模データ収集を行った。 GNNはCMCの高精度な予測を行い、将来の産業応用の可能性を示している。
  論文  参考訳（メタデータ） (2024-01-03T18:32:25Z)
• Activity Cliff Prediction: Dataset and Benchmark [20.41770222873952]
  本稿ではまず,AC予測のための大規模データセットACNetを紹介する。 ACNetは400K以上のMMP(Matched Molecular Pairs)を190のターゲットに対してキュレートする。 本稿では、深いニューラルネットワークで符号化された分子表現の予測性能を交流予測のためにベンチマークするためのベースラインフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-15T09:19:07Z)
• Calibration and generalizability of probabilistic models on low-data chemical datasets with DIONYSUS [0.0]
  我々は、小さな化学データセット上での確率論的機械学習モデルの校正と一般化可能性について広範な研究を行う。 私たちは、さまざまなタスク(バイナリ、回帰)とデータセットにおける予測と不確実性の品質を分析します。 我々は、新しい化学実験において一般的なシナリオである、小さな化学データセットをモデル化するためのモデルと特徴の選択に関する実践的な洞察を提供する。
  論文  参考訳（メタデータ） (2022-12-03T08:19:06Z)
• SPT-NRTL: A physics-guided machine learning model to predict thermodynamically consistent activity coefficients [0.12352483741564477]
  本研究では,熱力学的に一貫した活動係数を予測する機械学習モデルであるSPT-NRTLを紹介する。 SPT-NRTLは、全ての官能基にわたる活動係数の予測においてUNIFACよりも高い精度を達成する。
  論文  参考訳（メタデータ） (2022-09-09T06:21:05Z)
• 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)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
  グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
  論文  参考訳（メタデータ） (2020-02-26T06:10:12Z)

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。