論文の概要: Predicting Polymer Solubility in Solvents Using SMILES Strings

• arxiv url: http://arxiv.org/abs/2512.09784v1
• Date: Wed, 10 Dec 2025 16:05:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.587021
• Title: Predicting Polymer Solubility in Solvents Using SMILES Strings
• Title（参考訳）: SMILESストリングを用いた溶媒中の高分子溶解度予測
• Authors: Andrew Reinhard,
• Abstract要約: この研究は、重量%(wt%)で表される高分子溶解度を予測するディープラーニングフレームワークを提示する。 キャリブレーション分子動力学シミュレーションにより,25dgCで8,049個のポリマー溶媒対のデータセットを構築した。 6つの隠れた層を持つ完全に接続されたニューラルネットワークをAdamを使ってトレーニングし、平均2乗誤差損失を用いて評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding and predicting polymer solubility in various solvents is critical for applications ranging from recycling to pharmaceutical formulation. This work presents a deep learning framework that predicts polymer solubility, expressed as weight percent (wt%), directly from SMILES representations of both polymers and solvents. A dataset of 8,049 polymer solvent pairs at 25 deg C was constructed from calibrated molecular dynamics simulations (Zhou et al., 2023), and molecular descriptors and fingerprints were combined into a 2,394 feature representation per sample. A fully connected neural network with six hidden layers was trained using the Adam optimizer and evaluated using mean squared error loss, achieving strong agreement between predicted and actual solubility values. Generalizability was demonstrated using experimentally measured data from the Materials Genome Project, where the model maintained high accuracy on 25 unseen polymer solvent combinations. These findings highlight the viability of SMILES based machine learning models for scalable solubility prediction and high-throughput solvent screening, supporting applications in green chemistry, polymer processing, and materials design.
• Abstract（参考訳）: 様々な溶媒中での高分子溶解度の理解と予測は、リサイクルから医薬品の定式化まで幅広い用途に欠かせない。 本研究は, 高分子および溶媒のSMILES表現から直接, 重量% (wt%) で表される高分子溶解度を予測するディープラーニングフレームワークを提案する。 分子動力学シミュレーション(Zhou et al , 2023)を用いて25dgCで8,049個のポリマー溶媒対のデータセットを構築し, 分子記述子と指紋を試料毎に2,394個の特徴表現に組み合わせた。 6つの隠蔽層を持つ完全に接続されたニューラルネットワークをAdamオプティマイザを用いてトレーニングし、平均2乗誤差損失を用いて評価し、予測された溶解度値と実際の溶解度値との強い一致を実現した。 物質ゲノムプロジェクトから得られた実験データを用いて, 25種類の未確認ポリマー溶媒の組み合わせに対して, モデルが高精度に維持されることを示した。 これらの知見は、スケーラブルな溶解度予測と高スループット溶媒スクリーニングのためのSMILESベースの機械学習モデルの実現可能性を強調し、グリーンケミカル、ポリマープロセッシング、材料設計への応用を支援した。

関連論文リスト

• Socrates-Mol: Self-Oriented Cognitive Reasoning through Autonomous Trial-and-Error with Empirical-Bayesian Screening for Molecules [10.161713741692568]
  本稿では,言語モデルを経験的ベイズ推論に変換するフレームワークであるSocrates-Molを紹介する。 産業スクリーニングの優先順位に合わせたランキングタスクを導入し、5つの言語モデルにまたがる相互モデルの自己整合性を適用し、分散を低減する。 このフレームワークは、完全な微調整に比べてデプロイコストを70%以上削減し、分子特性予測のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-11-14T08:02:47Z)
• Breaking the Modality Barrier: Generative Modeling for Accurate Molecule Retrieval from Mass Spectra [60.08608779794957]
  本稿では,ジェネレーティブ言語モデルに基づく検索フレームワークであるGLMRを提案する。 検索前の段階では、比較学習に基づくモデルでは、上位候補分子を入力質量スペクトルの文脈的先行として識別する。 生成検索段階において、これらの候補分子は入力質量スペクトルと統合され、精製された分子構造を生成するための生成モデルが導かれる。
  論文  参考訳（メタデータ） (2025-11-09T07:25:53Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• POINT$^{2}$: A Polymer Informatics Training and Testing Database [15.45788515943579]
  POINT$2$ (Polymer Informatics Training and Testing) は、高分子情報学における重要な課題に対処するために設計されたベンチマークデータベースとプロトコルである。 我々は、量子ランダムフォレスト、ドロップアウト付き多層パーセプトロン、グラフニューラルネットワーク、事前訓練された大規模言語モデルを含むMLモデルのアンサンブルを開発する。 これらのモデルは、Morgan、MACCS、RDKit、Topological、Atom Pairの指紋、グラフベースの記述子といった多様なポリマー表現と結合している。
  論文  参考訳（メタデータ） (2025-03-30T15:46:01Z)
• Accurate melting point prediction through autonomous physics-informed learning [52.217497897835344]
  NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。 固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
  論文  参考訳（メタデータ） (2023-06-23T07:53:09Z)
• Automatically Predict Material Properties with Microscopic Image Example Polymer Compatibility [94.40113383292139]
  機械学習を用いたコンピュータ画像認識は、人工判定の欠陥を補うことができる。 畳み込みニューラルネットワークとトランスファーラーニング手法を用いて、自動誤認認識を実現する。 提案手法は, 各種材料の微細構造と物性の定量的評価に広く応用できる。
  論文  参考訳（メタデータ） (2023-03-22T07:51:32Z)
• Representing Polymers as Periodic Graphs with Learned Descriptors for Accurate Polymer Property Predictions [16.468017785818198]
  我々は、手書きの表現を一貫して上回る周期性ポリマーグラフ表現を開発する。 また,高分子グラフ表現とメッセージパッシングニューラルネットワークアーキテクチャを組み合わせることで,意味のある高分子の特徴を自動的に抽出する方法を実証する。
  論文  参考訳（メタデータ） (2022-05-27T04:14:12Z)
• Machine Learning Implicit Solvation for Molecular Dynamics [0.0]
  平均力の暗黙の溶媒ポテンシャルをモデル化するために,グラフニューラルネットワークであるボルネットを導入した。 この手法の成功は、溶媒効果の正確なモデリングに機械学習手法を適用することの潜在的利点を示すものである。
  論文  参考訳（メタデータ） (2021-06-14T15:21:45Z)
• Copolymer Informatics with Multi-Task Deep Neural Networks [0.0]
  コポリマーの性質予測の課題に取り組み、ホモポリマーを超えてポリマーインフォマティクスフレームワークを拡張します。 2つのモノマーのホモポリマーと共重合体のガラス転移、融解、分解温度の18,000以上のデータポイントを含む大きなデータセットを用いる。 開発されたモデルは、適切なデータが利用可能になったときに、よりコポリマー特性に正確、迅速、柔軟、スケーラブルです。
  論文  参考訳（メタデータ） (2021-03-25T23:28:20Z)
• 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)

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。