論文の概要: A KAN-based Interpretable Framework for Process-Informed Prediction of Global Warming Potential

• arxiv url: http://arxiv.org/abs/2411.00426v1
• Date: Fri, 01 Nov 2024 07:48:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 21:26:51.156740
• Title: A KAN-based Interpretable Framework for Process-Informed Prediction of Global Warming Potential
• Title（参考訳）: 温暖化ポテンシャルのプロセスインフォームド予測のためのKAを用いた解釈可能なフレームワーク
• Authors: Jaewook Lee, Xinyang Sun, Ethan Errington, Miao Guo,
• Abstract要約: 本稿では,分子記述子とプロセス情報を組み合わせた統合的地球温暖化ポテンシャル(GWP)予測モデルを提案する。 ディープニューラルネットワーク(DNN)モデルを用いて、Mordredディスクリプタによるテストデータ、プロセス位置、記述情報について、R-squaredの86%を達成しました。 GWP予測モデルに分子レベル情報とプロセスレベル情報を統合することにより,精度と解釈可能性を大幅に向上させることが示唆された。
• 参考スコア（独自算出の注目度）: 2.8248953889934953
• License:
• Abstract: Accurate prediction of Global Warming Potential (GWP) is essential for assessing the environmental impact of chemical processes and materials. Traditional GWP prediction models rely predominantly on molecular structure, overlooking critical process-related information. In this study, we present an integrative GWP prediction model that combines molecular descriptors (MACCS keys and Mordred descriptors) with process information (process title, description, and location) to improve predictive accuracy and interpretability. Using a deep neural network (DNN) model, we achieved an R-squared of 86% on test data with Mordred descriptors, process location, and description information, representing a 25% improvement over the previous benchmark of 61%; XAI analysis further highlighted the significant role of process title embeddings in enhancing model predictions. To enhance interpretability, we employed a Kolmogorov-Arnold Network (KAN) to derive a symbolic formula for GWP prediction, capturing key molecular and process features and providing a transparent, interpretable alternative to black-box models, enabling users to gain insights into the molecular and process factors influencing GWP. Error analysis showed that the model performs reliably in densely populated data ranges, with increased uncertainty for higher GWP values. This analysis allows users to manage prediction uncertainty effectively, supporting data-driven decision-making in chemical and process design. Our results suggest that integrating both molecular and process-level information in GWP prediction models yields substantial gains in accuracy and interpretability, offering a valuable tool for sustainability assessments. Future work may extend this approach to additional environmental impact categories and refine the model to further enhance its predictive reliability.
• Abstract（参考訳）: 地球温暖化ポテンシャル(GWP)の正確な予測は、化学プロセスや材料の環境影響を評価する上で不可欠である。 従来のGWP予測モデルは、主に分子構造に依存し、重要なプロセス関連情報を見渡す。 本研究では,分子ディスクリプタ(MACCSキーとモルドレッドディスクリプタ)とプロセス情報(プロセスタイトル,記述,位置)を組み合わせた統合GWP予測モデルを提案する。 ディープニューラルネットワーク(DNN)モデルを用いて、Mordredディスクリプタ、プロセスロケーション、記述情報によるテストデータにおいて86%のR-squaredを達成した。 解析可能性を高めるため,我々はKAN(Kolmogorov-Arnold Network)を用いて,GWP予測のシンボル式を導出し,重要な分子およびプロセスの特徴を捉えるとともに,ブラックボックスモデルに対する透過的で解釈可能な代替手段を提供することにより,GWPに影響を与える分子およびプロセス要因の洞察を得ることを可能にした。 誤差解析により,高GWP値に対する不確かさが増大し,密集したデータ範囲で確実に機能することが判明した。 この分析により、ユーザーは予測の不確実性を効果的に管理し、化学およびプロセス設計におけるデータ駆動意思決定をサポートすることができる。 GWP予測モデルに分子レベル情報とプロセスレベル情報を統合することにより,精度と解釈可能性が大きく向上し,持続可能性評価に有用なツールが提供されることが示唆された。 今後の研究は、このアプローチをさらなる環境影響カテゴリーにまで拡張し、予測信頼性をさらに高めるためにモデルを洗練させるかもしれない。

関連論文リスト

• Weather Prediction Using CNN-LSTM for Time Series Analysis: A Case Study on Delhi Temperature Data [0.0]
  本研究では,デリー地域の温度予測精度を高めるために,ハイブリッドCNN-LSTMモデルを提案する。 モデルの構築とトレーニングには,包括的データ前処理や探索分析など,直接的および間接的手法を併用した。 実験結果から,CNN-LSTMモデルが従来の予測手法よりも精度と安定性の両面で優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-09-14T11:06:07Z)
• Leveraging data-driven weather models for improving numerical weather prediction skill through large-scale spectral nudging [1.747339718564314]
  本研究は,気象予測に対する物理学的アプローチとAI的アプローチの相対的強みと弱みについて述べる。 GEM予測された大規模状態変数をGraphCast予測に対してスペクトル的に評価するハイブリッドNWP-AIシステムを提案する。 その結果,このハイブリッド手法は,GEMモデルの予測能力を高めるために,GraphCastの強みを活用できることが示唆された。
  論文  参考訳（メタデータ） (2024-07-08T16:39:25Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Uncertainty Quantification for Molecular Property Predictions with Graph Neural Architecture Search [2.711812013460678]
  本稿では,分子特性予測のための自動不確実性定量化(UQ)手法であるAutoGNNUQを紹介する。 我々のアプローチでは、分散分解を用いてデータ(アラート)とモデル(エステミック)の不確実性を分離し、それらを減らすための貴重な洞察を提供する。 AutoGNNUQは、正確な不確実性定量化が意思決定に不可欠である薬物発見や材料科学などの領域で広く適用可能である。
  論文  参考訳（メタデータ） (2023-07-19T20:03:42Z)
• Learning inducing points and uncertainty on molecular data by scalable variational Gaussian processes [0.0]
  分子記述子空間における誘導点の変動学習は、2つの分子動力学データセット上でのエネルギーと原子力の予測を改善することを示す。 本研究は大規模分子結晶系に拡張し, データセットのスパース表現を効率よく学習することにより, 原子間力の予測に優れた変動GPモデルを示す。
  論文  参考訳（メタデータ） (2022-07-16T10:41:41Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)

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。