論文の概要: Hierarchical Stacking Optimization Using Dirichlet's Process (SoDip): Towards Accelerated Design for Graft Polymerization
- arxiv url: http://arxiv.org/abs/2512.22279v1
- Date: Thu, 25 Dec 2025 05:36:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-30 22:37:29.95465
- Title: Hierarchical Stacking Optimization Using Dirichlet's Process (SoDip): Towards Accelerated Design for Graft Polymerization
- Title（参考訳）: ディリクレプロセス(SoDip)を用いた階層的積層最適化 : グラフト重合の高速化設計を目指して
- Authors: Amgad Ahmed Ali Ibrahim, Hein Htet, Ryoji Asahi,
- Abstract要約: 放射線による移植は、イオン交換膜、CO2分離膜、電池電解質のポリマーフィルムの正確な機能化を可能にする。
本稿では、DirichletのProcess(SoDip)階層型データ駆動フレームワークを用いた階層的スタック最適化フレームワークを提案する。
- 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: Radiation-induced grafting (RIG) enables precise functionalization of polymer films for ion-exchange membranes, CO2-separation membranes, and battery electrolytes by generating radicals on robust substrates to graft desired monomers. However, reproducibility remains limited due to unreported variability in base-film morphology (crystallinity, grain orientation, free volume), which governs monomer diffusion, radical distribution, and the Trommsdorff effect, leading to spatial graft gradients and performance inconsistencies. We present a hierarchical stacking optimization framework with a Dirichlet's Process (SoDip), a hierarchical data-driven framework integrating: (1) a decoder-only Transformer (DeepSeek-R1) to encode textual process descriptors (irradiation source, grafting type, substrate manufacturer); (2) TabNet and XGBoost for modelling multimodal feature interactions; (3) Gaussian Process Regression (GPR) with Dirichlet Process Mixture Models (DPMM) for uncertainty quantification and heteroscedasticity; and (4) Bayesian Optimization for efficient exploration of high-dimensional synthesis space. A diverse dataset was curated using ChemDataExtractor 2.0 and WebPlotDigitizer, incorporating numerical and textual variables across hundreds of RIG studies. In cross-validation, SoDip achieved ~33% improvement over GPR while providing calibrated confidence intervals that identify low-reproducibility regimes. Its stacked architecture integrates sparse textual and numerical inputs of varying quality, outperforming prior models and establishing a foundation for reproducible, morphology-aware design in graft polymerization research.
- Abstract（参考訳）: 放射線誘起グラフト (RIG) により, イオン交換膜, CO2分離膜, 電池電解質のポリマー膜の高機能化が可能となった。
しかし, 単量体拡散, ラジカル分布, トロムズドルフ効果を規定する基底膜形態(結晶性, 結晶性, 結晶配向, 自由体積)のばらつきが報告されていないため, 再現性は限定的であり, 空間的グラフト勾配や性能不整合が生じる。
1)デコーダのみのトランスフォーマ(DeepSeek-R1)でテキストプロセス記述子(照射源,グラフト型,基板製造者)を符号化し,(2)マルチモーダルな特徴相互作用をモデル化するためのTabNetとXGBoost,(3)不確かさの定量化と不連続性のためのDirichlet Process Mixture Models(DPMM)を用いたガウス的プロセス回帰(GPR),(4)高次元合成空間の効率的な探索のためのベイズ的最適化を提案する。
多様なデータセットがChemDataExtractor 2.0とWebPlotDigitizerを使用してキュレートされ、数百のRIG研究の数値変数とテキスト変数が組み込まれている。
クロスバリデーションにおいて、SoDipはGPRよりも約33%改善し、低再現性体制を識別する調整された信頼区間を提供した。
積み重ねられたアーキテクチャは、様々な品質のスパーステキストと数値入力を統合し、先行モデルより優れ、グラフト重合研究において再現性、形態学的に認識された設計の基礎を確立する。
関連論文リスト
- Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。
既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。
本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
論文 参考訳（メタデータ） (2025-12-28T05:48:55Z) - Optimizing Distributional Geometry Alignment with Optimal Transport for Generative Dataset Distillation [109.13471554184554]
最適輸送(OT)距離最小化問題としてデータセット蒸留を再構成する。
OTは分布マッチングのための幾何学的に忠実なフレームワークを提供する。
提案手法は, 常に最先端の手法を効率よく上回っている。
論文 参考訳（メタデータ） (2025-11-29T04:04:05Z) - VEDA: 3D Molecular Generation via Variance-Exploding Diffusion with Annealing [4.288647933894182]
VEDAは分散拡散とアニーリングを組み合わせて3D構造を生成するフレームワークである。
QM9とGEOM-DRUGSデータセットでは、VEDAはフローベースモデルのサンプリング効率と一致する。
VEDAの生成した構造は、緩和エネルギーによって測定されるように、驚くほど安定である。
論文 参考訳（メタデータ） (2025-11-11T05:45:37Z) - scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。
本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
論文 参考訳（メタデータ） (2025-10-28T21:28:39Z) - Generative Distribution Embeddings [1.3252809892089024]
本稿では,自動エンコーダを分散空間に引き上げるフレームワークである生成分布埋め込み(GDE)を紹介する。
GDEでは、エンコーダがサンプルの集合に作用し、デコーダは入力分布にマッチするジェネレータに置き換えられる。
GDEを計算生物学の6つの重要な問題に適用する。
論文 参考訳（メタデータ） (2025-05-23T17:58:57Z) - Controlled Latent Diffusion Models for 3D Porous Media Reconstruction [2.61662361742721]
多孔質媒体の3次元デジタル再構成は、地球科学の根本的な課題である。
本稿では,EDMフレームワーク内で動作する潜伏拡散モデルを用いて,この問題に対処する計算フレームワークを提案する。
提案手法は,バイナリボリュームで訓練されたカスタム変分オートエンコーダを用いて次元性を低減し,効率を向上し,より大きなボリュームの生成を可能にする。
論文 参考訳（メタデータ） (2025-03-31T13:36:55Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image
Compression [63.56922682378755]
本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。
提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。
実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
論文 参考訳（メタデータ） (2023-08-17T01:34:51Z) - CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。
提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。
実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
論文 参考訳（メタデータ） (2021-12-31T04:37:11Z) - Permutation invariant graph-to-sequence model for template-free
retrosynthesis and reaction prediction [2.5655440962401617]
本稿では,テキスト生成のためのトランスフォーマーモデルのパワーと,分子グラフエンコーダの置換不変性を組み合わせた新しいGraph2SMILESモデルについて述べる。
エンドツーエンドアーキテクチャとして、Graph2SMILESは、分子から分子への変換を含むあらゆるタスクにおいて、Transformerのドロップイン置換として使用できる。
論文 参考訳（メタデータ） (2021-10-19T01:23:15Z)
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。