論文の概要: Property prediction for ionic liquids without prior structural knowledge using limited experimental data: A data-driven neural recommender system leveraging transfer learning

• arxiv url: http://arxiv.org/abs/2509.10273v1
• Date: Fri, 12 Sep 2025 14:13:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:08.117044
• Title: Property prediction for ionic liquids without prior structural knowledge using limited experimental data: A data-driven neural recommender system leveraging transfer learning
• Title（参考訳）: 限定実験データを用いた構造知識のないイオン液体の特性予測:伝達学習を利用したデータ駆動型ニューラルレコメンデータシステム
• Authors: Sahil Sethi, Kai Sundmacher, Caroline Ganzer,
• Abstract要約: イオン液体(IL)は、従来の溶媒の代替品として出現している。 重要な熱物性を正確に予測することは 巨大な化学設計空間のために 難しいままです 本稿では、スパース実験データセットを用いて、ILの信頼性の高い特性予測を可能にするデータ駆動トランスファー学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.34410212782758043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ionic liquids (ILs) have emerged as versatile replacements for traditional solvents because their physicochemical properties can be precisely tailored to various applications. However, accurately predicting key thermophysical properties remains challenging due to the vast chemical design space and the limited availability of experimental data. In this study, we present a data-driven transfer learning framework that leverages a neural recommender system (NRS) to enable reliable property prediction for ILs using sparse experimental datasets. The approach involves a two-stage process: first, pre-training NRS models on COSMO-RS-based simulated data at fixed temperature and pressure to learn property-specific structural embeddings for cations and anions; and second, fine-tuning simple feedforward neural networks using these embeddings with experimental data at varying temperatures and pressures. In this work, five essential IL properties are considered: density, viscosity, surface tension, heat capacity, and melting point. The framework supports both within-property and cross-property knowledge transfer. Notably, pre-trained models for density, viscosity, and heat capacity are used to fine-tune models for all five target properties, achieving improved performance by a substantial margin for four of them. The model exhibits robust extrapolation to previously unseen ILs. Moreover, the final trained models enable property prediction for over 700,000 IL combinations, offering a scalable solution for IL screening in process design. This work highlights the effectiveness of combining simulated data and transfer learning to overcome sparsity in the experimental data.
• Abstract（参考訳）: イオン液体(IL)は、その物理化学的性質が様々な用途に正確に適合できるため、従来の溶媒に対する汎用的な代替物として出現している。 しかし、膨大な化学設計空間と実験データの限られた可用性のために、重要な熱物性を正確に予測することは依然として困難である。 本研究では、ニューラルネットワークレコメンデータシステム(NRS)を利用して、スパース実験データセットを用いて、ILの信頼性の高い特性予測を可能にするデータ駆動トランスファー学習フレームワークを提案する。 まず、COSMO-RSベースのシミュレーションデータ上で、一定の温度と圧力で事前学習されたNRSモデルを使用して、カチオンとアニオンの特性特異的な構造的埋め込みを学習すること、そして第2に、これらの埋め込みを温度と圧力の異なる実験データを用いて、微調整された単純なフィードフォワードニューラルネットワークを使用する。 本研究では, 密度, 粘度, 表面張力, 熱容量, 融点の5つの重要なIL特性について検討した。 このフレームワークは、インテリア・プロパティとクロス・プロパティ・ナレッジ・トランスファーの両方をサポートしている。 特に, 密度, 粘度, 熱容量の事前学習モデルを用いて, 5つの対象特性のモデル全てを微調整し, 4つのモデルのうち, 実質的なマージンによる性能向上を実現している。 このモデルは、以前は見えなかったILに対する堅牢な外挿を示す。 さらに、最終的なトレーニングされたモデルでは、70万以上のIL組み合わせのプロパティ予測が可能になり、プロセス設計におけるILスクリーニングのスケーラブルなソリューションを提供する。 本研究は, シミュレーションデータと伝達学習を組み合わせることで, 実験データの疎さを克服する効果を強調した。

関連論文リスト

• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Machine Learning for Improved Density Functional Theory Thermodynamics [0.0]
  本稿では,密度汎関数理論計算における固有エネルギー分解誤差を体系的に補正する機械学習(ML)手法を提案する。 ニューラルネットワークモデルは、二元系および三元系合金および化合物に対するDFT計算と実験的に測定されたエンタルピーの相違を予測するために訓練されている。 本手法の有効性を,航空宇宙・保護コーティングにおける高温応用に関心のあるAl-Ni-PdおよびAl-Ni-Ti系に応用して説明する。
  論文  参考訳（メタデータ） (2025-03-07T15:46:30Z)
• Transfer Learning for Deep Learning-based Prediction of Lattice Thermal Conductivity [0.0]
  深層学習モデル(ParAIsite)の精度と一般化性に及ぼす伝達学習の影響について検討する。 格子熱伝導率(LTC)の低品質近似の大規模なデータセット上で、初めて微調整を行うと、さらに改善が得られた。 有望な結果は、低熱伝導率材料を探索する大きなデータベースを探索する能力を高めるための道を開く。
  論文  参考訳（メタデータ） (2024-11-27T11:57:58Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Generalizable Prediction Model of Molten Salt Mixture Density with Chemistry-Informed Transfer Learning [2.251726366940184]
  溶融塩を最適に設計するには、その熱物性に関する知識が必要である。 深層ニューラルネットワーク(DNN)を用いた伝達学習手法を提案し、レッドリッヒ・キスターモデル、実験データ、アブイニシアト特性を組み合わせた。 この手法は, 溶融塩濃度を高い精度で予測する(r2$ > 0.99, MAPE 1%)。
  論文  参考訳（メタデータ） (2024-10-19T14:28:46Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Hybrid full-field thermal characterization of additive manufacturing processes using physics-informed neural networks with data [5.653328302363391]
  我々は,物理インフォームドニューラルネットワークを用いたAMプロセスのハイブリッドなデータ駆動熱モデリング手法を開発した。 赤外線カメラから測定された部分観測温度データと物理法則を組み合わせることで、全球温度履歴を予測する。 その結果,ハイブリッド熱モデルでは未知のパラメータを効果的に同定し,フルフィールド温度を正確に把握できることがわかった。
  論文  参考訳（メタデータ） (2022-06-15T18:27:10Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
  オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。 出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
  論文  参考訳（メタデータ） (2021-08-26T14:01:04Z)
• Learning the exchange-correlation functional from nature with fully differentiable density functional theory [0.0]
  我々は、完全に微分可能な3次元コーン・シャム密度汎関数論フレームワーク内での交換相関関数を置き換えるためにニューラルネットワークを訓練する。 我々の訓練された交換相関ネットワークは110分子の集合体における原子化とイオン化エネルギーの予測を改善した。
  論文  参考訳（メタデータ） (2021-02-08T14:25:10Z)

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。