論文の概要: A machine-learned expression for the excess Gibbs energy

• arxiv url: http://arxiv.org/abs/2509.06484v1
• Date: Mon, 08 Sep 2025 09:47:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.043761
• Title: A machine-learned expression for the excess Gibbs energy
• Title（参考訳）: 余剰ギブスエネルギーに対する機械学習式
• Authors: Marco Hoffmann, Thomas Specht, Quirin Göttl, Jakob Burger, Stephan Mandt, Hans Hasse, Fabian Jirasek,
• Abstract要約: ギブスエネルギーは化学工学や化学において中心的な役割を担い、液体混合物の熱力学特性をモデル化するための基礎となる。 本研究では、柔軟ニューラルネットワークに物理法則をハード制約として組み込むことにより、この問題に対処する。 結果として得られたモデルであるHANNAは、Dortmund Data Bankのバイナリ混合物のための広範な実験データセットでエンドツーエンドにトレーニングされた。
• 参考スコア（独自算出の注目度）: 15.799043135621565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The excess Gibbs energy plays a central role in chemical engineering and chemistry, providing a basis for modeling the thermodynamic properties of liquid mixtures. Predicting the excess Gibbs energy of multi-component mixtures solely from the molecular structures of their components is a long-standing challenge. In this work, we address this challenge by integrating physical laws as hard constraints within a flexible neural network. The resulting model, HANNA, was trained end-to-end on an extensive experimental dataset for binary mixtures from the Dortmund Data Bank, guaranteeing thermodynamically consistent predictions. A novel surrogate solver developed in this work enabled the inclusion of liquid-liquid equilibrium data in the training process. Furthermore, a geometric projection method was applied to enable robust extrapolations to multi-component mixtures, without requiring additional parameters. We demonstrate that HANNA delivers excellent predictions, clearly outperforming state-of-the-art benchmark methods in accuracy and scope. The trained model and corresponding code are openly available, and an interactive interface is provided on our website, MLPROP.
• Abstract（参考訳）: ギブスエネルギーは化学工学や化学において中心的な役割を担い、液体混合物の熱力学特性をモデル化するための基礎となる。 成分の分子構造からのみ多成分混合物の過剰ギブスエネルギーを予測することは長年の課題である。 本研究では、柔軟ニューラルネットワークに物理法則をハード制約として組み込むことにより、この問題に対処する。 結果として得られたモデルであるHANNAは、Dortmund Data Bankからのバイナリ混合物の広範な実験データセットに基づいてエンドツーエンドでトレーニングされ、熱力学的に一貫した予測が保証された。 本研究で開発された新しい代理解法により, 液体-液体平衡データのトレーニングプロセスへの導入が可能となった。 さらに,多成分混合物に対するロバストな外挿を可能にするために,パラメータの追加を必要とせずに幾何投影法を適用した。 我々は、HANNAが優れた予測を提供し、精度とスコープにおいて、最先端のベンチマーク手法よりも明らかに優れていることを実証した。 トレーニングされたモデルと対応するコードは公開されており、インタラクティブなインターフェースが私たちのWebサイトMLPROPで提供されています。

関連論文リスト

• KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
  本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。 そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。 この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
  論文  参考訳（メタデータ） (2025-05-23T13:58:29Z)
• Efficient mapping of phase diagrams with conditional Boltzmann Generators [4.437335677401287]
  位相図全体に対するボルツマン生成法に基づく深層生成機械学習モデルを開発した。 単一正規化流を訓練することにより, 単一の基準熱力学状態から広範囲の目標温度, 圧力に比例した平衡分布を変換し, 効率よく平衡分布を生成することができる。 我々は、レナード=ジョーンズ系の固液共存線を最先端自由エネルギー法とよく一致して予測することで、我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2024-06-18T08:05:04Z)
• A Posteriori Evaluation of a Physics-Constrained Neural Ordinary Differential Equations Approach Coupled with CFD Solver for Modeling Stiff Chemical Kinetics [4.125745341349071]
  我々は,学習中の損失関数に直接物質保存制約を組み込むことで,硬質化学反応学のためのニューラルネットワークフレームワークを拡張した。 これにより、総質量と元素質量が保存されることが保証される。
  論文  参考訳（メタデータ） (2023-11-22T22:40:49Z)
• Differentiable Modeling and Optimization of Battery Electrolyte Mixtures Using Geometric Deep Learning [0.3141085922386211]
  本研究では, 化学混合物の幾何学的深層学習モデルDiffMixを開発し, ロボット実験の指導に応用する。 DiffMixの予測精度とモデルロバスト性は、純粋にデータ駆動型よりも向上した。 ロボット実験装置であるClioでは,10段階以内の電解質のイオン伝導率を18.8%以上向上させる。
  論文  参考訳（メタデータ） (2023-10-03T22:26:38Z)
• Gibbs-Duhem-Informed Neural Networks for Binary Activity Coefficient Prediction [45.84205238554709]
  本稿では,Gibs-Duhem-informed Neural Network を用いて,様々な組成における二成分活性係数の予測を行う。 ニューラルネットワークの学習における損失関数にギブス・デュヘム方程式を明示的に含んでいる。
  論文  参考訳（メタデータ） (2023-05-31T07:36:45Z)
• Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
  本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。 我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
  論文  参考訳（メタデータ） (2023-04-21T20:49:29Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• 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)

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。