論文の概要: Computational Design of Low-Volatility Lubricants for Space Using Interpretable Machine Learning

• arxiv url: http://arxiv.org/abs/2512.05870v1
• Date: Fri, 05 Dec 2025 16:47:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:57.107954
• Title: Computational Design of Low-Volatility Lubricants for Space Using Interpretable Machine Learning
• Title（参考訳）: 解釈型機械学習を用いた宇宙用低揮発性潤滑剤の計算設計
• Authors: Daniel Miliate, Ashlie Martini,
• Abstract要約: 宇宙における機械集合体(MMAs)の機能と寿命は潤滑剤の性質に依存する。 この研究は、蒸気圧を予測するためのデータ駆動機械学習アプローチを導入している。 仮想スクリーニングと新しい宇宙に適した液体潤滑剤の発見を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The function and lifetime of moving mechanical assemblies (MMAs) in space depend on the properties of lubricants. MMAs that experience high speeds or high cycles require liquid based lubricants due to their ability to reflow to the point of contact. However, only a few liquid-based lubricants have vapor pressures low enough for the vacuum conditions of space, each of which has limitations that add constraints to MMA designs. This work introduces a data-driven machine learning (ML) approach to predicting vapor pressure, enabling virtual screening and discovery of new space-suitable liquid lubricants. The ML models are trained with data from both high-throughput molecular dynamics simulations and experimental databases. The models are designed to prioritize interpretability, enabling the relationships between chemical structure and vapor pressure to be identified. Based on these insights, several candidate molecules are proposed that may have promise for future space lubricant applications in MMAs.
• Abstract（参考訳）: 宇宙における機械集合体(MMAs)の機能と寿命は潤滑剤の性質に依存する。 高速または高サイクルを経験するMMAは、接触点に還流する能力のために液体ベースの潤滑剤を必要とする。 しかし、空間の真空条件に十分低い蒸気圧を持つ液体系潤滑剤はごくわずかであり、それぞれがMMA設計に制約を加える制限がある。 この研究は、蒸気圧を予測するためのデータ駆動機械学習(ML)アプローチを導入し、仮想スクリーニングと新しい宇宙に適した液体潤滑剤の発見を可能にした。 MLモデルは、高スループット分子動力学シミュレーションと実験データベースの両方のデータで訓練される。 モデルは解釈可能性の優先順位を付け、化学構造と蒸気圧の関係を識別できるように設計されている。 これらの知見に基づき、MMAにおける将来の宇宙潤滑剤の応用を約束するいくつかの候補分子が提案されている。

関連論文リスト

• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• A predictive machine learning force field framework for liquid electrolyte development [11.463808946378743]
  本稿では,分子動力学(MD)シミュレーションの予測フレームワークであるBAMBOOを紹介する。 我々は、量子力学シミュレーションから学ぶため、BAMBOOのバックボーンとして、物理に着想を得たグラフ同変変変圧器アーキテクチャを設計する。 また,アンサンブル知識蒸留手法を導入してMLFFに適用し,MDシミュレーションによる観測の変動を低減する。
  論文  参考訳（メタデータ） (2024-04-10T17:31:49Z)
• Learning characteristic parameters and dynamics of centrifugal pumps under multiphase flow using physics-informed neural networks [1.6874375111244329]
  本研究では,ESPシステムの流体特性,動的状態,重要なパラメータを間接的に推定する物理インフォームドニューラルネットワーク(PINN)モデルを提案する。 PINNモデルの有効性は,これらの圧力測定を入力データとして,未知の状態とパラメータを推定することによって検証した。
  論文  参考訳（メタデータ） (2023-10-04T17:40:46Z)
• Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
  流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。 本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。 本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-19T06:02:53Z)
• 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)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Prediction of transport property via machine learning molecular movements [1.0554048699217666]
  本稿では,物質輸送特性を予測するためのシンプルな教師付き機械学習手法を提案する。 この手法を用いて, せん断流に閉じ込められた潤滑剤分子の粘度を予測した。 低粘度に寄与する分子機構を2種類明らかにした。
  論文  参考訳（メタデータ） (2022-03-07T02:28:07Z)
• 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)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)

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。