論文の概要: DeepEOSNet: Capturing the dependency on thermodynamic state in property prediction tasks

• arxiv url: http://arxiv.org/abs/2509.17018v1
• Date: Sun, 21 Sep 2025 10:16:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.075588
• Title: DeepEOSNet: Capturing the dependency on thermodynamic state in property prediction tasks
• Title（参考訳）: DeepEOSNet:プロパティ予測タスクにおける熱力学状態依存性のキャプチャ
• Authors: Jan Pavšek, Alexander Mitsos, Manuel Dahmen, Tai Xuan Tan, Jan G. Rittig,
• Abstract要約: 独立状態における熱力学特性の依存性をより正確に把握するための機械学習(ML)アーキテクチャを提案する。 このアイデアはDeepONetアーキテクチャに基づいているので、私たちのアプローチをDeepEOSNetと呼びます。 以上の結果から,DeepEOSNetの蒸気圧予測性能と混合臼歯容積予測性能に匹敵する性能を示した。
• 参考スコア（独自算出の注目度）: 37.458438388741214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a machine learning (ML) architecture to better capture the dependency of thermodynamic properties on the independent states. When predicting state-dependent thermodynamic properties, ML models need to account for both molecular structure and the thermodynamic state, described by independent variables, typically temperature, pressure, and composition. Modern molecular ML models typically include state information by adding it to molecular fingerprint vectors or by embedding explicit (semi-empirical) thermodynamic relations. Here, we propose to rather split the information processing on the molecular structure and the dependency on states into two separate network channels: a graph neural network and a multilayer perceptron, whose output is combined by a dot product. We refer to our approach as DeepEOSNet, as this idea is based on the DeepONet architecture [Lu et al. (2021), Nat. Mach. Intell.]: instead of operators, we learn state dependencies, with the possibility to predict equation of states (EOS). We investigate the predictive performance of DeepEOSNet by means of three case studies, which include the prediction of vapor pressure as a function of temperature, and mixture molar volume as a function of composition, temperature, and pressure. Our results show superior performance of DeepEOSNet for predicting vapor pressure and comparable performance for predicting mixture molar volume compared to state-of-research graph-based thermodynamic prediction models from our earlier works. In fact, we see large potential of DeepEOSNet in cases where data is sparse in the state domain and the output function is structurally similar across different molecules. The concept of DeepEOSNet can easily be transferred to other ML architectures in molecular context, and thus provides a viable option for property prediction.
• Abstract（参考訳）: 独立状態における熱力学特性の依存性をより正確に把握するための機械学習(ML)アーキテクチャを提案する。 状態依存の熱力学特性を予測する場合、MLモデルは分子構造と熱力学状態の両方を考慮し、独立変数(典型的には温度、圧力、組成)によって記述される。 現代の分子MLモデルは、通常、分子指紋ベクトルにそれを加えるか、明示的な(半経験的な)熱力学関係を埋め込むことによって状態情報を含む。 本稿では,分子構造と状態依存に関する情報処理を,グラフニューラルネットワークと多層パーセプトロンという2つの異なるネットワークチャネルに分割する。 このアイデアはDeepONetアーキテクチャ(Lu et al (2021), Nat. Mach. Intell.)に基づいています。 本稿では, 温度の関数としての蒸気圧の予測, 組成, 温度, 圧力の関数としての混合モル体積の3つのケーススタディを用いてDeepEOSNetの予測性能について検討した。 以上の結果より,DeepEOSNetの蒸気圧予測性能と混合モル体積予測性能は,従来のグラフに基づく熱力学予測モデルと比較して優れていた。 実際、状態領域でデータがスパースであり、出力関数が異なる分子間で構造的に類似している場合、DeepEOSNetの大きなポテンシャルが見られます。 DeepEOSNetの概念は、分子コンテキストで他のMLアーキテクチャに簡単に移行することができ、プロパティ予測に実行可能な選択肢を提供する。

関連論文リスト

• Latent Thermodynamic Flows: Unified Representation Learning and Generative Modeling of Temperature-Dependent Behaviors from Limited Data [0.0]
  表現学習と生成モデリングを密接に統合したエンドツーエンドのフレームワークであるLaTF(Latent Thermodynamic Flows)を紹介する。 LaTFはNational Predictive Information Bottleneck(SPIB)をNFと統合し、低次元の潜在表現を同時に学習する。 我々は、モデルポテンシャル、チグノリンタンパク質、レナード・ジョーンズ粒子のクラスターを含む様々なシステムにおけるLaTFの有効性を実証する。
  論文  参考訳（メタデータ） (2025-07-03T21:02:36Z)
• Equivariant Masked Position Prediction for Efficient Molecular Representation [6.761418610103767]
  グラフニューラルネットワーク(GNN)は、計算化学においてかなりの可能性を示している。 Equivariant Masked Position Prediction と呼ばれる新しい自己教師型アプローチを導入する。 EMPPは、より明確に定義され、量子力学的特徴の学習を強化するニュアンスされた位置予測タスクを定式化する。
  論文  参考訳（メタデータ） (2025-02-12T08:39:26Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Multiresolution Graph Transformers and Wavelet Positional Encoding for Learning Hierarchical Structures [6.875312133832078]
  複数のスケールで大きな分子を表現できる最初のグラフトランスアーキテクチャであるMulti resolution Graph Transformer (MGT)を提案する。 MGTは原子の表現を学習し、それらを有意義な官能基または繰り返し単位に分類することができる。 提案モデルでは, 高分子とペプチドからなるマクロ分子データセットと, 薬物様分子データセットの2つの結果を得た。
  論文  参考訳（メタデータ） (2023-02-17T01:32:44Z)
• ViSNet: an equivariant geometry-enhanced graph neural network with vector-scalar interactive message passing for molecules [69.05950120497221]
  本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。 提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
  論文  参考訳（メタデータ） (2022-10-29T07:12:46Z)
• Physical Pooling Functions in Graph Neural Networks for Molecular Property Prediction [54.28948205388247]
  グラフニューラルネットワーク(GNN)は、分子グラフに基づく物理化学的特性のエンドツーエンド学習のための化学工学において出現している。 GNNの鍵となる要素は、原子の特徴ベクトルを分子指紋に結合するプール機能である。 物理プーリング関数の使用は、一般化を著しく促進することを示す。
  論文  参考訳（メタデータ） (2022-07-27T20:24:19Z)
• Heterogeneous relational message passing networks for molecular dynamics simulations [10.30351315399729]
  本稿では,エンドツーエンドのヘテロジニアスグラフニューラルネットワークであるHermNetを提案し,複数の相互作用を1つのモデルで効率的に表現する。 HermNetは、分子と拡張システムの両方において、多くのトップパフォーマンスモデルに対して素晴らしいパフォーマンスを発揮する。
  論文  参考訳（メタデータ） (2021-09-02T05:04:57Z)
• ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
  本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。 教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。 最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:22:39Z)

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。