論文の概要: MLPROP -- an open interactive web interface for thermophysical property prediction with machine learning

• arxiv url: http://arxiv.org/abs/2504.05970v1
• Date: Tue, 08 Apr 2025 12:28:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:28:23.409572
• Title: MLPROP -- an open interactive web interface for thermophysical property prediction with machine learning
• Title（参考訳）: MLPROP - 機械学習による熱物性予測のためのオープンなインタラクティブWebインターフェース
• Authors: Marco Hoffmann, Thomas Specht, Nicolas Hayer, Hans Hasse, Fabian Jirasek,
• Abstract要約: MLPROPは、熱物性を予測するための高度なMLメソッドを直接適用するためのインタラクティブなWebインターフェースを提供する。 すべてのモデルのソースコードはオープンソースとして公開されており、既存のミックスとの統合が可能である。
• 参考スコア（独自算出の注目度）: 0.8996460723688527
• License:
• Abstract: Machine learning (ML) enables the development of powerful methods for predicting thermophysical properties with unprecedented scope and accuracy. However, technical barriers like cumbersome implementation in established workflows hinder their application in practice. With MLPROP, we provide an interactive web interface for directly applying advanced ML methods to predict thermophysical properties without requiring ML expertise, thereby substantially increasing the accessibility of novel models. MLPROP currently includes models for predicting the vapor pressure of pure components (GRAPPA), activity coefficients and vapor-liquid equilibria in binary mixtures (UNIFAC 2.0, mod. UNIFAC 2.0, and HANNA), and a routine to fit NRTL parameters to the model predictions. MLPROP will be continuously updated and extended and is accessible free of charge via https://ml-prop.mv.rptu.de/. MLPROP removes the barrier to learning and experimenting with new ML-based methods for predicting thermophysical properties. The source code of all models is available as open source, which allows integration into existing workflows.
• Abstract（参考訳）: 機械学習(ML)は、前例のない範囲と精度で熱物性を予測する強力な手法の開発を可能にする。 しかし、確立したワークフローにおける面倒な実装のような技術的な障壁は、実際にアプリケーションを妨げます。 MLPROPでは、MLの専門知識を必要とせず、高度なML手法を直接適用して熱物性を予測するインタラクティブなWebインターフェースを提供し、新しいモデルのアクセシビリティを大幅に向上させる。 MLPROPは現在、純成分(GRAPPA)の蒸気圧、二成分混合物(UNIFAC 2.0、mod. UNIFAC 2.0、HANNA)の活性係数、気液平衡を予測するモデルと、NRTLパラメータをモデル予測に適合させるルーチンを含んでいる。 MLPROPは継続的に更新され、拡張され、https://ml-prop.mv.rptu.de/で無料で利用できる。 MLPROPは学習の障壁を取り除き、熱物性を予測する新しいMLベースの手法を実験する。 すべてのモデルのソースコードはオープンソースとして公開されており、既存のワークフローとの統合が可能である。

関連論文リスト

• Enabling Autoregressive Models to Fill In Masked Tokens [50.9948753314669]
  MARIA(Masked and Autoregressive Infilling Architecture)は、最先端のマスキング・インフィル・パフォーマンスを実現する新しいアプローチである。 MARIAは、トレーニング済みとARモデルを組み合わせて、隠れた状態を入力として取り込む線形デコーダをトレーニングする。 以上の結果から,MARIAはマスク入力タスクにおいて既存の手法,すなわち離散拡散モデルよりも有意に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-02-09T20:02:05Z)
• Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
  実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。 概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。 我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T20:05:51Z)
• Achieving interpretable machine learning by functional decomposition of black-box models into explainable predictor effects [4.3500439062103435]
  ブラックボックス予測の関数分解のための新しい手法を提案する。 加法回帰モデルと同様に,本手法は主特徴量の方向と強度に関する洞察を与える。
  論文  参考訳（メタデータ） (2024-07-26T10:37:29Z)
• ${\it Asparagus}$: A Toolkit for Autonomous, User-Guided Construction of Machine-Learned Potential Energy Surfaces [0.0]
  $it Asparagus$は、ML-PESモデルの自律的ユーザガイド構築を可能にする、複数のパーツを一貫した実装に包含するソフトウェアパッケージである。 コードの機能については、有機金属化合物における反応性ポテンシャルの表現や周期的な表面構造への原子拡散など、様々な例で説明されている。
  論文  参考訳（メタデータ） (2024-07-21T14:22:47Z)
• Verbalized Machine Learning: Revisiting Machine Learning with Language Models [63.10391314749408]
  言語化機械学習(VML)の枠組みを紹介する。 VMLはパラメータ空間を人間の解釈可能な自然言語に制限する。 我々は,VMLの有効性を実証的に検証し,VMLがより強力な解釈可能性を実現するためのステップストーンとして機能することを期待する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:56Z)
• Replication Study: Enhancing Hydrological Modeling with Physics-Guided Machine Learning [0.0]
  現在の水理モデリング手法は、データ駆動機械学習アルゴリズムと従来の物理モデルを組み合わせたものである。 結果予測におけるMLの精度にもかかわらず、科学的知識の統合は信頼性の高い予測には不可欠である。 本研究では,概念的水文モデルのプロセス理解とMLアルゴリズムの予測効率を融合した物理インフォームド機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-21T16:26:59Z)
• Continuous Management of Machine Learning-Based Application Behavior [3.316045828362788]
  機械学習モデルの非機能特性は、監視、検証、維持されなければならない。 MLベースのアプリケーションの安定な非機能動作を保証することを目的としたマルチモデルアプローチを提案する。 非機能的プロパティフェアネスに着目した実世界のシナリオで,我々のソリューションを実験的に評価した。
  論文  参考訳（メタデータ） (2023-11-21T15:47:06Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• JAX-FLUIDS: A fully-differentiable high-order computational fluid dynamics solver for compressible two-phase flows [0.0]
  圧縮性二相流に対する包括的Python CFDソルバであるJAX-FLUIDSを提案する。 JAX-FLUIDSは3次元乱流、圧縮性効果、二相流などの現象を伴う複雑な流体力学のシミュレーションを可能にする。
  論文  参考訳（メタデータ） (2022-03-25T16:38:24Z)
• 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)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。