論文の概要: Predicting the Temperature-Dependent CMC of Surfactant Mixtures with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2411.02224v1
• Date: Mon, 04 Nov 2024 16:17:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 21:27:20.727379
• Title: Predicting the Temperature-Dependent CMC of Surfactant Mixtures with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた界面活性剤混合物の温度依存性CMC予測
• Authors: Christoforos Brozos, Jan G. Rittig, Sandip Bhattacharya, Elie Akanny, Christina Kohlmann, Alexander Mitsos,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 36.814181034608666
• License:
• Abstract: Surfactants are key ingredients in foaming and cleansing products across various industries such as personal and home care, industrial cleaning, and more, with the critical micelle concentration (CMC) being of major interest. Predictive models for CMC of pure surfactants have been developed based on recent ML methods, however, in practice surfactant mixtures are typically used due to to performance, environmental, and cost reasons. This requires accounting for synergistic/antagonistic interactions between surfactants; however, predictive ML models for a wide spectrum of mixtures are missing so far. Herein, we develop a graph neural network (GNN) framework for surfactant mixtures to predict the temperature-dependent CMC. We collect data for 108 surfactant binary mixtures, to which we add data for pure species from our previous work [Brozos et al. (2024), J. Chem. Theory Comput.]. We then develop and train GNNs and evaluate their accuracy across different prediction test scenarios for binary mixtures relevant to practical applications. The final GNN models demonstrate very high predictive performance when interpolating between different mixture compositions and for new binary mixtures with known species. Extrapolation to binary surfactant mixtures where either one or both surfactant species are not seen before, yields accurate results for the majority of surfactant systems. We further find superior accuracy of the GNN over a semi-empirical model based on activity coefficients, which has been widely used to date. We then explore if GNN models trained solely on binary mixture and pure species data can also accurately predict the CMCs of ternary mixtures. Finally, we experimentally measure the CMC of 4 commercial surfactants that contain up to four species and industrial relevant mixtures and find a very good agreement between measured and predicted CMC values.
• Abstract（参考訳）: 界面活性剤は、個人や家庭のケア、工業用クリーニングなど、さまざまな産業において、発泡・洗浄製品の主要な材料であり、臨界ミセル濃度(CMC)が大きな関心を集めている。 純粋な界面活性剤のCMC予測モデルは最近のML法に基づいて開発されているが、実際、界面活性剤混合物は性能、環境、コストの理由から一般的に用いられる。 これは界面活性剤間の相乗的/対角的相互作用を考慮しなければならないが、幅広い混合物の予測MLモデルは今のところ欠落している。 そこで我々は, 温度依存性CMCを予測するために, 界面活性剤混合物のグラフニューラルネットワーク(GNN)フレームワークを開発した。 我々は108種類の界面活性剤二成分混合物のデータを収集し、そのデータにBrozos et al (2024), J. Chem. Theory Comput。 次に、GNNを開発し、訓練し、実用アプリケーションに関連する2成分混合の予測テストシナリオでそれらの精度を評価する。 最終GNNモデルは、異なる混合物組成と既知の種との新たな二成分混合を補間する際に非常に高い予測性能を示す。 2成分の界面活性剤混合物への外挿では、1種または2種の界面活性剤がこれまで見られなかった場合、ほとんどの界面活性剤系に対して正確な結果が得られる。 また,これまで広く用いられてきた活動係数に基づく半経験的モデルよりも,GNNの精度が優れていることも見いだした。 次に、二成分混合と純種データのみに基づいて訓練されたGNNモデルが、三成分混合のMCCを正確に予測できるかどうかを探索する。 最後に, 最大4種および工業関連混合物を含む4種類の市販界面活性剤のCMCを実験的に測定し, 測定値と予測値との極めて良好な一致を見出した。

関連論文リスト

• Hierarchical Matrix Completion for the Prediction of Properties of Binary Mixtures [3.0478550046333965]
  データ駆動モデルを改善するための新しいジェネリックアプローチを導入する。 化学のクラスに同じように振る舞うコンポーネントを持ち込み、それらを共同でモデル化します。 クラスタリングを使用すると、クラスタリングなしのCMに比べて予測が大幅に改善される。
  論文  参考訳（メタデータ） (2024-10-08T14:04:30Z)
• Unifying Mixed Gas Adsorption in Molecular Sieve Membranes and MOFs using Machine Learning [0.0]
  最近の機械学習モデルは、ポリマーまたは金属-有機フレームワーク(MOF)を別途重視している。 両方のタイプの吸着剤の傾向を予測する統一モデルを作成することの難しさは困難である。 本研究では, ガス混合物と吸着剤の物理的性質のみを含む特徴ベクトルを用いて, これらの問題に対処する。
  論文  参考訳（メタデータ） (2024-06-19T09:30:11Z)
• Data Mixing Laws: Optimizing Data Mixtures by Predicting Language Modeling Performance [55.872926690722714]
  本研究では,関数形式の混合比に関するモデル性能の予測可能性について検討する。 トレーニングステップのスケーリング法則,モデルサイズ,データ混合法則のネスト利用を提案する。 提案手法は,RedPajamaにおける100Bトークンをトレーニングした1Bモデルのトレーニング混合物を効果的に最適化する。
  論文  参考訳（メタデータ） (2024-03-25T17:14:00Z)
• Predicting the Temperature Dependence of Surfactant CMCs Using Graph Neural Networks [38.39977540117143]
  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。
  論文  参考訳（メタデータ） (2024-03-06T15:03:04Z)
• 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)
• 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)
• On the Calibration of Pre-trained Language Models using Mixup Guided by Area Under the Margin and Saliency [47.90235939359225]
  モデルキャリブレーションをさらに改善する事前学習型言語モデルのための新しい混合戦略を提案する。 本手法は,ドメイン内およびドメイン外テストサンプルの強いベースラインと比較して,最小のキャリブレーション誤差を実現する。
  論文  参考訳（メタデータ） (2022-03-14T23:45:08Z)
• Learning Gaussian Mixtures with Generalised Linear Models: Precise Asymptotics in High-dimensions [79.35722941720734]
  多クラス分類問題に対する一般化線形モデルは、現代の機械学習タスクの基本的な構成要素の1つである。 実験的リスク最小化による高次元推定器の精度を実証する。 合成データの範囲を超えて我々の理論をどのように適用できるかを論じる。
  論文  参考訳（メタデータ） (2021-06-07T16:53:56Z)
• 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)
• Machine Learning in Thermodynamics: Prediction of Activity Coefficients by Matrix Completion [34.7384528263504]
  任意の二成分混合物の活性係数を予測する確率行列分解モデルを提案する。 提案手法は,30年以上にわたって改良されてきた最先端の手法より優れている。 これは二成分混合物の物理化学的性質を予測する新しい方法への展望を開放する。
  論文  参考訳（メタデータ） (2020-01-29T03:16:23Z)

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。