論文の概要: Chemically-Informed Machine Learning Approach for Prediction of Reactivity Ratios in Radical Copolymerization

• arxiv url: http://arxiv.org/abs/2512.19715v1
• Date: Mon, 15 Dec 2025 17:32:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.584689
• Title: Chemically-Informed Machine Learning Approach for Prediction of Reactivity Ratios in Radical Copolymerization
• Title（参考訳）: 化学インフォームド機械学習によるラジカル共重合における反応性比の予測
• Authors: Habibollah Safari, Mona Bavarian,
• Abstract要約: 本稿では,非教師なし学習と人工ニューラルネットワークを組み合わせることで,ラジカル共重合における反応性比を予測する手法を提案する。 この研究は、教師なし学習が探索分析に迅速な化学的洞察を提供する一方で、教師なし学習は最終的な設計予測に必要な精度を提供することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Predicting monomer reactivity ratios is crucial for controlling monomer sequence distribution in copolymers and their properties. Traditional experimental methods of determining reactivity ratios are time-consuming and resource-intensive, while existing computational methods often struggle with accuracy or scalability. Here, we present a method that combines unsupervised learning with artificial neural networks to predict reactivity ratios in radical copolymerization. By applying spectral clustering to physicochemical features of monomers, we identified three distinct monomer groups with characteristic reactivity patterns. This computationally efficient clustering approach revealed specific monomer group interactions leading to different sequence arrangements, including alternating, random, block, and gradient copolymers, providing chemical insights for initial exploration. Building upon these insights, we trained artificial neural networks to achieve quantitative reactivity ratio predictions. We explored two integration strategies including direct feature concatenation, and cluster-specific training, which demonstrated performance enhancements for targeted chemical domains compared to general training with equivalent sample sizes. However, models utilizing complete datasets outperformed specialized models trained on focused subsets, revealing a fundamental trade-off between chemical specificity and data availability. This work demonstrates that unsupervised learning offers rapid chemical insight for exploratory analysis, while supervised learning provides the accuracy necessary for final design predictions, with optimal strategies depending on data availability and application requirements.
• Abstract（参考訳）: モノマー反応性比の予測は、共重合体におけるモノマー配列の分布とその性質を制御するために重要である。 既存の計算手法は精度やスケーラビリティに悩まされることが多いが、従来の実験手法では、反応性比を決定するのに時間を要する。 本稿では,非教師なし学習と人工ニューラルネットワークを組み合わせることで,ラジカル共重合における反応性比を予測する手法を提案する。 モノマーの物理化学的特徴にスペクトルクラスタリングを適用し, 特徴的な反応性パターンを持つ3つの異なるモノマー群を同定した。 この計算効率のよいクラスタリング手法は、交互、ランダム、ブロック、勾配共重合体など、異なる配列の配列に繋がる特定のモノマー群相互作用を明らかにし、初期の探索に化学的な洞察を与えた。 これらの知見に基づいて、定量的な反応性比予測を達成するために、人工ニューラルネットワークを訓練した。 本研究は, 直接的特徴結合とクラスタ固有の訓練を含む2つの統合戦略について検討し, 目的とする化学ドメインの性能向上を, 同等のサンプルサイズでの一般トレーニングと比較した。 しかし、完全なデータセットを利用するモデルは、焦点を絞ったサブセットで訓練された特殊なモデルよりも優れており、化学的特異性とデータ可用性の基本的なトレードオフが明らかになっている。 この研究は、教師なし学習が探索分析に迅速な化学的洞察を提供する一方で、教師なし学習が最終的な設計予測に必要な精度を提供し、データの可用性とアプリケーション要求に応じて最適な戦略を提供することを示した。

関連論文リスト

• Detecting and Pruning Prominent but Detrimental Neurons in Large Language Models [68.57424628540907]
  大規模言語モデル(LLM)は、しばしば特定のデータセットに特化した学習メカニズムを開発する。 本稿では,データセット固有のメカニズムに関連するニューロンの同定と解析により,一般化の促進を目的とした微調整手法を提案する。 本手法では,各ニューロンの高信頼度予測への影響を定量化するため,データセット固有の性能に不均等に寄与するニューロンを同定する。
  論文  参考訳（メタデータ） (2025-07-12T08:10:10Z)
• Chemical knowledge-informed framework for privacy-aware retrosynthesis learning [72.39098405805318]
  現在の機械学習に基づくレトロシンセシスは、複数のソースからの反応データを1つのエッジに集め、予測モデルを訓練する。 このパラダイムは、組織の境界を越えた広範なデータ可用性を必要とするため、かなりのプライバシーリスクをもたらす。 本研究では, 化学知識インフォームド・フレームワーク (CKIF) について紹介する。
  論文  参考訳（メタデータ） (2025-02-26T13:13:24Z)
• Hierarchical Matrix Completion for the Prediction of Properties of Binary Mixtures [3.0478550046333965]
  データ駆動モデルを改善するための新しいジェネリックアプローチを導入する。 化学のクラスに同じように振る舞うコンポーネントを持ち込み、それらを共同でモデル化します。 クラスタリングを使用すると、クラスタリングなしのCMに比べて予測が大幅に改善される。
  論文  参考訳（メタデータ） (2024-10-08T14:04:30Z)
• Regularized Neural Ensemblers [55.15643209328513]
  本研究では,正規化ニューラルネットワークをアンサンブル手法として活用することを検討する。 低多様性のアンサンブルを学習するリスクを動機として,ランダムにベースモデル予測をドロップすることで,アンサンブルモデルの正規化を提案する。 このアプローチはアンサンブル内の多様性の低い境界を提供し、過度な適合を減らし、一般化能力を向上させる。
  論文  参考訳（メタデータ） (2024-10-06T15:25:39Z)
• ReactAIvate: A Deep Learning Approach to Predicting Reaction Mechanisms and Unmasking Reactivity Hotspots [4.362338454684645]
  我々は,反応ステップ分類の精度を96%とほぼ均一に達成した,解釈可能な注意に基づくGNNを開発した。 我々のモデルは、配布外クラスからでも、キー原子を十分に識別します。 この一般性は、モジュラーな方法で新しい反応型を包含することができるため、新しい分子の反応性を理解するための専門家にとって価値がある。
  論文  参考訳（メタデータ） (2024-07-14T05:53:18Z)
• Balancing Molecular Information and Empirical Data in the Prediction of Physico-Chemical Properties [8.649679686652648]
  本稿では,分子記述子と表現学習を組み合わせた一般的な手法を提案する。 提案したハイブリッドモデルは,グラフニューラルネットワークを用いた化学構造情報を利用する。 構造に基づく予測が信頼できない場合を自動的に検出し、表現学習に基づく予測によって修正する。
  論文  参考訳（メタデータ） (2024-06-12T10:51:00Z)
• Revealing the Relationship Between Publication Bias and Chemical Reactivity with Contrastive Learning [13.299207805882755]
  CAS Content Collection$textTM$で20,798 aryl halidesをトレーニングし,2010年から2015年にかけて数千の出版物を対象とした。 この研究は、新しい方法でデータ文学から学ぶための化学固有の機械学習訓練戦略を示すだけでなく、出版物における基質選択の傾向に反映される化学反応性の傾向を明らかにするためのユニークなアプローチを示す。
  論文  参考訳（メタデータ） (2024-02-19T02:21:20Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。