論文の概要: HANNA: Hard-constraint Neural Network for Consistent Activity Coefficient Prediction

• arxiv url: http://arxiv.org/abs/2407.18011v1
• Date: Thu, 25 Jul 2024 13:05:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-26 13:58:54.127206
• Title: HANNA: Hard-constraint Neural Network for Consistent Activity Coefficient Prediction
• Title（参考訳）: HANNA:一貫した活動係数予測のためのハードコントラストニューラルネットワーク
• Authors: Thomas Specht, Mayank Nagda, Sophie Fellenz, Stephan Mandt, Hans Hasse, Fabian Jirasek,
• Abstract要約: 活動係数(HANNA)予測のための最初のハードコントラストニューラルネットワークを提案する。 HANNAは熱力学的混合特性であり、科学と工学の多くの応用の基礎となっている。 このモデルはドルトムント・データバンクから得られた2成分混合物の活性係数を317,421データポイントで測定し,評価した。
• 参考スコア（独自算出の注目度）: 16.024570580558954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the first hard-constraint neural network for predicting activity coefficients (HANNA), a thermodynamic mixture property that is the basis for many applications in science and engineering. Unlike traditional neural networks, which ignore physical laws and result in inconsistent predictions, our model is designed to strictly adhere to all thermodynamic consistency criteria. By leveraging deep-set neural networks, HANNA maintains symmetry under the permutation of the components. Furthermore, by hard-coding physical constraints in the network architecture, we ensure consistency with the Gibbs-Duhem equation and in modeling the pure components. The model was trained and evaluated on 317,421 data points for activity coefficients in binary mixtures from the Dortmund Data Bank, achieving significantly higher prediction accuracies than the current state-of-the-art model UNIFAC. Moreover, HANNA only requires the SMILES of the components as input, making it applicable to any binary mixture of interest. HANNA is fully open-source and available for free use.
• Abstract（参考訳）: 本稿では, 熱力学的混合特性である活動係数(HANNA)を予測するための最初のハードコントラストニューラルネットワークについて述べる。 物理法則を無視し、一貫性のない予測をもたらす従来のニューラルネットワークとは異なり、我々のモデルはすべての熱力学的整合性基準に厳密に準拠するように設計されている。 ディープセットニューラルネットワークを活用することで、HANNAはコンポーネントの置換の下で対称性を維持する。 さらに、ネットワークアーキテクチャにおける物理的制約をハードコーディングすることにより、ギブス・デュヘム方程式との整合性を確保し、純粋なコンポーネントをモデル化する。 このモデルはドルトムント・データバンクから得られた2成分混合物の活性係数を317,421データポイントで評価し,現在の最先端モデルUNIFACよりも予測精度が有意に高かった。 さらに、HANNAはコンポーネントのSMILESを入力としてのみ必要としており、任意のバイナリ混合物に適用される。 HANNAは完全にオープンソースで、無料で利用できる。

関連論文リスト

• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
  本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。 溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
  論文  参考訳（メタデータ） (2024-02-11T17:40:26Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• 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)
• Efficient Implementation of Non-linear Flow Law Using Neural Network into the Abaqus Explicit FEM code [0.0]
  有限要素定式化において、金属材料の流動則を定義するために人工ニューラルネットワーク(ANN)モデルを用いる。 その結果、ANNが有限要素符号におけるジョンソン・クックの挙動則を解析的に定式化する能力は非常に高いことを示した。
  論文  参考訳（メタデータ） (2022-09-07T14:37:09Z)
• ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
  スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。 提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
  論文  参考訳（メタデータ） (2021-03-02T03:09:06Z)
• Binary Graph Neural Networks [69.51765073772226]
  グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。 本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。 モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
  論文  参考訳（メタデータ） (2020-12-31T18:48:58Z)
• Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
  関係データに対するKENNの拡張を提案する。 その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
  論文  参考訳（メタデータ） (2020-09-13T21:12:20Z)
• GINNs: Graph-Informed Neural Networks for Multiscale Physics [1.1470070927586016]
  Graph-Informed Neural Network (GINN)は、ディープラーニングと確率的グラフィカルモデル(PGM)を組み合わせたハイブリッドアプローチである。 GINNは、厳密な信頼区間を持つ関連する非ガウスススキュードQoIのカーネル密度推定を生成する。
  論文  参考訳（メタデータ） (2020-06-26T05:47:45Z)
• Thermodynamics-based Artificial Neural Networks for constitutive modeling [0.0]
  本稿では,物質点レベルでのひずみ速度独立過程のモデリングのための,データ駆動型物理ベースニューラルネットワークの新たなクラスを提案する。 熱力学の2つの基本原理は、自動微分を利用してネットワークのアーキテクチャに符号化される。 本研究では, 伸縮硬化および軟化ひずみを有するエラスト塑性材料をモデル化するためのTANNの広範囲な適用性を示す。
  論文  参考訳（メタデータ） (2020-05-25T15:56:34Z)

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。