論文の概要: Generative Deep Learning Framework for Inverse Design of Fuels

• arxiv url: http://arxiv.org/abs/2504.12075v1
• Date: Wed, 16 Apr 2025 13:32:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 14:38:23.126034
• Title: Generative Deep Learning Framework for Inverse Design of Fuels
• Title（参考訳）: 燃料の逆設計のための生成的ディープラーニングフレームワーク
• Authors: Kiran K. Yalamanchi, Pinaki Pal, Balaji Mohan, Abdullah S. AlRamadan, Jihad A. Badra, Yuanjiang Pei,
• Abstract要約: 燃料の高速な逆設計を可能にするために、生成的深層学習フレームワークが開発された。 このフレームワークは、共最適化変分オートエンコーダ(Co-VAE)アーキテクチャと定量的構造-プロパティ関係(QSPR)技術を組み合わせたものである。 生成モデルは、広大な化学空間を体系的に探索するための柔軟なツールを提供し、優れた抗ノック特性を持つ燃料を発見するための道を開く。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In the present work, a generative deep learning framework combining a Co-optimized Variational Autoencoder (Co-VAE) architecture with quantitative structure-property relationship (QSPR) techniques is developed to enable accelerated inverse design of fuels. The Co-VAE integrates a property prediction component coupled with the VAE latent space, enhancing molecular reconstruction and accurate estimation of Research Octane Number (RON) (chosen as the fuel property of interest). A subset of the GDB-13 database, enriched with a curated RON database, is used for model training. Hyperparameter tuning is further utilized to optimize the balance among reconstruction fidelity, chemical validity, and RON prediction. An independent regression model is then used to refine RON prediction, while a differential evolution algorithm is employed to efficiently navigate the VAE latent space and identify promising fuel molecule candidates with high RON. This methodology addresses the limitations of traditional fuel screening approaches by capturing complex structure-property relationships within a comprehensive latent representation. The generative model provides a flexible tool for systematically exploring vast chemical spaces, paving the way for discovering fuels with superior anti-knock properties. The demonstrated approach can be readily extended to incorporate additional fuel properties and synthesizability criteria to enhance applicability and reliability for de novo design of new fuels.
• Abstract（参考訳）: 本研究では,共最適化変分オートエンコーダ(Co-VAE)アーキテクチャとQSPR(Quantical Structure-property Relation)技術を組み合わせることで,燃料の逆設計を高速化する。 Co-VAEは、VOE潜伏空間と結合した特性予測コンポーネントを統合し、分子再構成と研究オクタン番号(RON)の正確な推定を向上する。 GDB-13データベースのサブセットは、修正されたRONデータベースで濃縮され、モデルトレーニングに使用される。 ハイパーパラメータチューニングは、再構成忠実度、化学的妥当性、RON予測のバランスを最適化するためにさらに利用される。 次に、独立回帰モデルを用いてRON予測を洗練させ、また、VOE潜在空間を効率的にナビゲートし、高いRONを持つ有望な燃料分子候補を同定するために微分進化アルゴリズムを用いる。 この手法は、包括的潜在表現の中で複雑な構造-プロパティ関係をキャプチャすることで、従来の燃料スクリーニング手法の限界に対処する。 生成モデルは、広大な化学空間を体系的に探索するための柔軟なツールを提供し、優れた抗ノック特性を持つ燃料を発見するための道を開く。 実証されたアプローチは、新しい燃料のデノボ設計への適用性と信頼性を高めるために、追加の燃料特性と合成性基準を組み込むように容易に拡張することができる。

関連論文リスト

• PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
  PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。 ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。 最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
  論文  参考訳（メタデータ） (2024-12-26T17:02:19Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Ranking over Regression for Bayesian Optimization and Molecule Selection [0.0680892187976602]
  本稿ではランキングモデルを用いたランクベースベイズ最適化(RBO)を提案する。 本稿では, 各種化学データセットにおける従来のBOと比較して, RBOの最適化性能について包括的に検討する。 RBOはレグレッションベースのBOに代わる有効な代替品であり、特に新規化合物の最適化に有効である。
  論文  参考訳（メタデータ） (2024-10-11T22:38:14Z)
• Targeting the partition function of chemically disordered materials with a generative approach based on inverse variational autoencoders [0.0]
  そこで本研究では,生成機械学習を用いて特性評価を行う手法を提案する。 本手法では,エンコーダとデコーダの逆の役割を持つ特定の種類の変分オートエンコーダを用いる。 本稿では, (U, Pu)O2混合酸化物燃料における点欠陥生成エネルギーと濃度の計算によるアプローチについて述べる。
  論文  参考訳（メタデータ） (2024-08-27T10:05:37Z)
• A Structured Framework for Predicting Sustainable Aviation Fuel Properties using Liquid-Phase FTIR and Machine Learning [0.0]
  本研究では, 精密な分子, 航空燃料, ブレンドの精度, 解釈可能な特性予測モデルを構築するための構造的手法を提案する。 この手法は、FTIRスペクトルを非負行列因子化を用いて基本構造ブロックに分解する。 NMFの機能は、最終沸点、点火点、凍結点、密度15C、運動粘度-20Cを予測するための5つのアンサンブルモデルを作成するために使用される。
  論文  参考訳（メタデータ） (2024-08-02T18:43:22Z)
• A Novel A.I Enhanced Reservoir Characterization with a Combined Mixture of Experts -- NVIDIA Modulus based Physics Informed Neural Operator Forward Model [0.6282171844772422]
  我々は,貯水池履歴マッチングの課題を効果的に解決するために,貯水池のキャラクタリゼーションのための高度なワークフローを開発した。 この方法は、洗練されたクラスタ分類回帰フレームワークにおいて、フォワードモデルとして物理インフォームドニューラル演算子(PINO)を統合する。 我々の統合モデルはPINO-Res-Simと呼ばれ、圧力、飽和度、石油、水、ガスの生産速度を含む重要なパラメータを出力します。
  論文  参考訳（メタデータ） (2024-04-20T10:28:24Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• 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)
• AutoBERT-Zero: Evolving BERT Backbone from Scratch [94.89102524181986]
  そこで本稿では,提案するハイブリッドバックボーンアーキテクチャを自動検索するOP-NASアルゴリズムを提案する。 提案するOP-NASの効率を向上させるために,探索アルゴリズムと候補モデルの評価を最適化する。 実験の結果、検索されたアーキテクチャ(AutoBERT-Zero)は、様々な下流タスクにおいてBERTとそのバリエーションの異なるモデル容量を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-07-15T16:46:01Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• Machine learning-assisted surrogate construction for full-core fuel performance analysis [0.0]
  本研究は、いくつかの現実的な平衡PWRコア設計に基づくフルコアサロゲート構築手法を提案する。 構築されたサーロゲートは、予測精度を満足して少なくとも1万時間加速度を達成する。
  論文  参考訳（メタデータ） (2021-04-17T17:02:50Z)

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。