論文の概要: Discovery of Sustainable Refrigerants through Physics-Informed RL Fine-Tuning of Sequence Models

• arxiv url: http://arxiv.org/abs/2509.19588v1
• Date: Tue, 23 Sep 2025 21:24:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.611145
• Title: Discovery of Sustainable Refrigerants through Physics-Informed RL Fine-Tuning of Sequence Models
• Title（参考訳）: 物理インフォームドRL微調整による持続性冷媒の発見
• Authors: Adrien Goldszal, Diego Calanzone, Vincent Taboga, Pierre-Luc Bacon,
• Abstract要約: Refgenは、機械学習と物理地上の帰納バイアスを統合する生成パイプラインである。 本稿では、機械学習と物理基底の帰納バイアスを統合した生成パイプラインであるRefgenを紹介する。
• 参考スコア（独自算出の注目度）: 12.04169043797071
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most refrigerants currently used in air-conditioning systems, such as hydrofluorocarbons, are potent greenhouse gases and are being phased down. Large-scale molecular screening has been applied to the search for alternatives, but in practice only about 300 refrigerants are known, and only a few additional candidates have been suggested without experimental validation. This scarcity of reliable data limits the effectiveness of purely data-driven methods. We present Refgen, a generative pipeline that integrates machine learning with physics-grounded inductive biases. Alongside fine-tuning for valid molecular generation, Refgen incorporates predictive models for critical properties, equations of state, thermochemical polynomials, and full vapor compression cycle simulations. These models enable reinforcement learning fine-tuning under thermodynamic constraints, enforcing consistency and guiding discovery toward molecules that balance efficiency, safety, and environmental impact. By embedding physics into the learning process, Refgen leverages scarce data effectively and enables de novo refrigerant discovery beyond the known set of compounds.
• Abstract（参考訳）: 現在、炭化水素などの空調システムで使われているほとんどの冷媒は、強力な温室効果ガスであり、フェーズダウンしている。 大規模分子スクリーニングは代替品の探索に応用されているが、実際には約300個の冷媒のみが知られており、実験的な検証なしにいくつかの候補が提案されているのみである。 この信頼性のあるデータの不足は、純粋にデータ駆動方式の有効性を制限する。 本稿では、機械学習と物理基底の帰納バイアスを統合した生成パイプラインであるRefgenを紹介する。 有効な分子生成のための微調整に加えて、Refgenは臨界特性、状態方程式、熱化学多項式、全蒸気圧縮サイクルシミュレーションの予測モデルも組み込んでいる。 これらのモデルにより、熱力学的制約下での強化学習の微調整が可能となり、効率、安全性、環境影響のバランスをとる分子への一貫性と誘導的発見が促進される。 物理を学習プロセスに埋め込むことで、Refgenは希少なデータを効果的に活用し、既知の化合物の集合を超えたデ・ノボ冷媒の発見を可能にする。

関連論文リスト

• Iterative Distillation for Reward-Guided Fine-Tuning of Diffusion Models in Biomolecular Design [58.8094854658848]
  生体分子設計における報酬誘導生成のための微調整拡散モデルの問題に対処する。 本稿では,拡散モデルによる任意の報酬関数の最適化を可能にする,反復蒸留に基づく微調整フレームワークを提案する。 KLの発散最小化と相まって,既存のRL法と比較してトレーニングの安定性とサンプル効率を向上させる。
  論文  参考訳（メタデータ） (2025-07-01T05:55:28Z)
• ChemKANs for Combustion Chemistry Modeling and Acceleration [0.0]
  ChemKANは、燃焼化学のためのモデル推論とシミュレーション加速のための新しいニューラルネットワークフレームワークである。 ケムカンの構造はカルモゴロフ・アーノルドネットワークの一般微分方程式(KAN-ODE)を、関連する力学および熱力学の法則を通じて情報の流れを知ることで強化する。 我々は、ChemKANsの頑健さを、最大15%の付加ノイズを含むスパースデータと、非常に大規模なネットワークパラメータ化にベンチマークする。
  論文  参考訳（メタデータ） (2025-04-17T01:53:28Z)
• A physics-based data-driven model for CO$_2$ gas diffusion electrodes to drive automated laboratories [34.82692226532414]
  再生可能エネルギーを含む高エネルギー分子へのCO$$の電気化学的還元は、エネルギー貯蔵にとって有望な道である。 本稿では,GDE設計の高次元パラメータ空間をアクティブな学習コンテキストで効率的に探索するモデリングフレームワークを提案する。 我々は,AdaCarbon自動実験室が収集した実際の電気化学データを用いて,シミュレーションされた能動学習装置にモデルをデプロイする。
  論文  参考訳（メタデータ） (2025-02-10T10:20:10Z)
• Physics-guided weak-form discovery of reduced-order models for trapped ultracold hydrodynamics [0.0]
  極性分子の高衝突・超低温・非退化ガスの緩和について検討した。 気体は流体ガスと流体ガスが結合し、一階の流体力学が崩壊する。 我々は,これらの観測値に対して,大幅に改良された低次モデルを提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:50:04Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)
• 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)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Interpretable Data-driven Methods for Subgrid-scale Closure in LES for Transcritical LOX/GCH4 Combustion [0.0]
  本研究の目的は、従来の物理駆動アプローチと解釈可能な機械学習アルゴリズムからストレスモデルを評価することである。 特徴集合に物理ベースの制約を適用すると,ランダムフォレスト回帰器の精度が低下した。
  論文  参考訳（メタデータ） (2021-03-11T00:54:50Z)
• Modeling nanoconfinement effects using active learning [1.58501955991843]
  シェール層のナノ孔内におけるガス分子の空間的配置の予測は, 流体流動予測や炭化水素貯留量の推定に不可欠である。 本稿では,ナノ孔内の気体の分子配置を予測する物理に基づく深層学習サロゲートモデルの構築と訓練について述べる。
  論文  参考訳（メタデータ） (2020-05-06T04:01:53Z)

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。