論文の概要: AI-assisted Advanced Propellant Development for Electric Propulsion

• arxiv url: http://arxiv.org/abs/2509.26567v1
• Date: Tue, 30 Sep 2025 17:31:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.639299
• Title: AI-assisted Advanced Propellant Development for Electric Propulsion
• Title（参考訳）: AIを利用した電気推進用推進剤の開発
• Authors: Angel Pan Du, Miguel Arana-Catania, Enric Grustan Gutiérrez,
• Abstract要約: AI予測の電離エネルギーと最小外観エネルギーはそれぞれ6.87%と7.99%の相対誤差を持つ。 電子イオン化による全質量スペクトルの場合、予測は0.6395のコサイン類似性を持ち、30 Daの範囲で78%の場合に最もよく似た質量スペクトルと一致している。
• 参考スコア（独自算出の注目度）: 0.33985395340995606
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial Intelligence algorithms are introduced in this work as a tool to predict the performance of new chemical compounds as alternative propellants for electric propulsion, focusing on predicting their ionisation characteristics and fragmentation patterns. The chemical properties and structure of the compounds are encoded using a chemical fingerprint, and the training datasets are extracted from the NIST WebBook. The AI-predicted ionisation energy and minimum appearance energy have a mean relative error of 6.87% and 7.99%, respectively, and a predicted ion mass with a 23.89% relative error. In the cases of full mass spectra due to electron ionisation, the predictions have a cosine similarity of 0.6395 and align with the top 10 most similar mass spectra in 78% of instances within a 30 Da range.
• Abstract（参考訳）: 人工知能アルゴリズムは、電気推進のための代替推進薬として、新しい化学物質の性能を予測するツールとして導入され、その電離特性とフラグメンテーションパターンの予測に焦点が当てられている。 化学指紋を用いて化合物の化学的性質と構造をコードし、NIST WebBookからトレーニングデータセットを抽出する。 AI予測イオン化エネルギーと最小外観エネルギーはそれぞれ平均相対誤差6.87%と7.99%であり、予測イオン質量は23.89%である。 電子イオン化による全質量スペクトルの場合、予測は0.6395のコサイン類似性を持ち、30 Daの範囲で78%の場合に最もよく似た質量スペクトルと一致している。

関連論文リスト

• Tokenizing Electron Cloud in Protein-Ligand Interaction Learning [51.74909649330779]
  ECBindは電子雲信号を量子化埋め込みにトークン化する方法である。 これは、原子レベルのモデルで完全に表現できないバインディングモードを明らかにするのに役立つ。 適用範囲を幅広いシナリオに広げるために,我々は知識蒸留を用いて電子クラウドに依存しない予測モデルを構築した。
  論文  参考訳（メタデータ） (2025-05-25T07:36:50Z)
• Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
  ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。 本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-08T21:56:19Z)
• Benchmark Computations of Nearly Degenerate Singlet and Triplet states of N-heterocyclic Chromophores : I. Wavefunction-based Methods [0.0]
  我々は,シクラジンの集合における励起エネルギーの予測における電子相関の役割について検討した。 実験では、正と負の両方が実験誤差バー内にある、ほぼ縮退したレベルが示されている。 本稿では,より安価な理論を確立するためのベンチマーク数値を作成することを目的とする。
  論文  参考訳（メタデータ） (2023-11-29T12:54:23Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• Benchmarking ionization potentials from the simple pCCD model [0.0]
  電子離離エネルギーやイオン化ポテンシャルの正確な理論的予測は、有機光電子系に必須である。 我々は,最近発表されたP2Dモデル(IP-EOM-pCCD)の性能をベンチマークし,IPを決定する。
  論文  参考訳（メタデータ） (2023-04-28T12:38:39Z)
• Machine-Learning Prediction of the Computed Band Gaps of Double Perovskite Materials [3.2798940914359056]
  機能性材料の電子構造の予測は新しい装置の工学に不可欠である。 本研究では,2重ペロブスカイト材料の電子構造を機械学習で予測する。 この結果は,期待できる機能材料を迅速にスクリーニングするために,機械学習による回帰の可能性を実証するという意味で重要である。
  論文  参考訳（メタデータ） (2023-01-04T08:19:18Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)
• OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features [42.96944345045462]
  textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。 薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
  論文  参考訳（メタデータ） (2020-07-15T22:38:41Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。