論文の概要: Predicting performance-related properties of refrigerant based on tailored small-molecule functional group contribution

• arxiv url: http://arxiv.org/abs/2503.17919v1
• Date: Sun, 23 Mar 2025 03:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:33:39.412731
• Title: Predicting performance-related properties of refrigerant based on tailored small-molecule functional group contribution
• Title（参考訳）: 調整された小分子官能基寄与に基づく冷媒の性能関連特性の予測
• Authors: Peilin Cao, Ying Geng, Nan Feng, Xiang Zhang, Zhiwen Qi, Zhen Song, Rafiqul Gani,
• Abstract要約: 本研究は, 常温沸点, 臨界温度, 臨界圧力, 気化エンタルピー, 偏心係数といった, 冷凍システムの運転効率に関する5つの重要な特性に焦点を当てた。 調整された小分子群に基づいて、GC法と機械学習(ML)を組み合わせてこれらの性能関連特性をモデル化する。 GC-MLモデルの開発に続いて、そのパフォーマンスを分析して、グループ間コントリビューションの可能性を強調します。
• 参考スコア（独自算出の注目度）: 4.317746907243002
• License:
• Abstract: As current group contribution (GC) methods are mostly proposed for a wide size-range of molecules, applying them to property prediction of small refrigerant molecules could lead to unacceptable errors. In this sense, for the design of novel refrigerants and refrigeration systems, tailoring GC-based models specifically fitted to refrigerant molecules is of great interest. In this work, databases of potential refrigerant molecules are first collected, focusing on five key properties related to the operational efficiency of refrigeration systems, namely normal boiling point, critical temperature, critical pressure, enthalpy of vaporization, and acentric factor. Based on tailored small-molecule groups, the GC method is combined with machine learning (ML) to model these performance-related properties. Following the development of GC-ML models, their performance is analyzed to highlight the potential group-to-property contributions. Additionally, the refrigerant property databases are extended internally and externally, based on which examples are presented to highlight the significance of the developed models.
• Abstract（参考訳）: 現在のグループコントリビューション(GC)法は、主に広い範囲の分子に対して提案されているため、小さな冷媒分子の特性予測にそれらを適用すれば、許容できない誤りにつながる可能性がある。 この意味では、新しい冷媒と冷凍システムの設計において、特に冷媒分子に適合したGCベースのモデルをカスタマイズすることが大きな関心事である。 本研究は, 常温沸点, 臨界温度, 臨界圧力, 気化のエンタルピー, 偏心係数といった, 冷却システムの運転効率に関する5つの重要な特性に着目し, 冷媒分子のデータベースを最初に収集する。 調整された小分子群に基づいて、GC法と機械学習(ML)を組み合わせてこれらの性能関連特性をモデル化する。 GC-MLモデルの開発に続いて、そのパフォーマンスを分析して、グループ間コントリビューションの可能性を強調します。 さらに、冷媒特性データベースは内部および外部に拡張され、どの例が開発モデルの重要性を強調するかに基づいて示される。

関連論文リスト

• Deep Learning for GWP Prediction: A Framework Using PCA, Quantile Transformation, and Ensemble Modeling [0.0]
  本研究は, 完全連結ニューラルネットワークを用いた単成分冷媒の100年間の温暖化ポテンシャル(GWP 100)を推定する。 RDKitベースのモデルは481.9のRoot Mean Square Error(RMSE)と0.918のR2スコアで最高のパフォーマンスを達成した。 因子分析により, 分子量, 脂肪分解能, ニトリルやアリルオキシドなどの官能基などの重要な分子的特徴がGWP値に重要な寄与因子として同定された。
  論文  参考訳（メタデータ） (2024-11-28T13:16:12Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Numerical linked-cluster expansions for two-dimensional spin models with continuous disorder distributions [0.0]
  数値連成クラスタ展開 (NLCE) により, 連続的な障害分布を持つスピン格子モデルに対して, 高精度な低温結果が得られることを示す。 我々は古典的(Ising)と量子的(Heisenberg)のスピン-$frac12$モデルの両方を検討し、収束は関連するエネルギースケールよりも2桁低い温度まで達成可能であることを示した。
  論文  参考訳（メタデータ） (2024-02-01T19:00:00Z)
• Improving Molecular Properties Prediction Through Latent Space Fusion [9.912768918657354]
  本稿では,最先端の化学モデルから導出した潜在空間を組み合わせた多視点手法を提案する。 分子構造をグラフとして表現するMHG-GNNの埋め込みと、化学言語に根ざしたMoLFormerの埋め込みである。 本稿では,既存の最先端手法と比較して,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-10-20T20:29:32Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• Real-time equation-of-motion CC cumulant and CC Green's function simulations of photoemission spectra of water and water dimer [54.44073730234714]
  実時間CC累積法で得られた結果について考察する。 これらの方法を用いて得られたイオン化ポテンシャルを価領域で比較した。 RT-EOM-CC法とCCGF法により得られたスペクトル関数の特徴を衛星ピークの位置と関連づけて解析した。
  論文  参考訳（メタデータ） (2022-05-27T18:16:30Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Constructing Hubbard Models for the Hydrogen Chain using Sliced Basis DMRG [0.0]
  Sliced-basis DMRG(sb-DMRG)は水素原子の連鎖をシミュレートし、低エネルギーのハバード様モデルを構築するために用いられる。 我々は、単一粒子ホッピングの範囲や2粒子相互作用の制限など、実効ハミルトニアンにおける制約の重要性について検討する。
  論文  参考訳（メタデータ） (2021-09-10T22:45:29Z)
• Out-of-time-order correlations and the fine structure of eigenstate thermalisation [58.720142291102135]
  量子情報力学と熱化を特徴付けるツールとして、OTOC(Out-of-time-orderor)が確立されている。 我々は、OTOCが、ETH(Eigenstate Thermalisation hypothesis)の詳細な詳細を調査するための、本当に正確なツールであることを明確に示している。 無限温度状態における局所作用素の和からなる可観測物の一般クラスに対して、$omega_textrmGOE$の有限サイズスケーリングを推定する。
  論文  参考訳（メタデータ） (2021-03-01T17:51:46Z)
• Experimental Realization of a Quantum Refrigerator Driven by Indefinite Causal Orders [15.529333491618797]
  不定因果順序(ICO)は近年の量子技術において重要な役割を担っている。 核磁気共鳴システムを用いて、ICOによって駆動される核スピンの量子熱力学を実験的に研究した。
  論文  参考訳（メタデータ） (2020-11-25T08:44:25Z)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)

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。