論文の概要: Clapeyron Neural Networks for Single-Species Vapor-Liquid Equilibria

• arxiv url: http://arxiv.org/abs/2602.18313v1
• Date: Fri, 20 Feb 2026 16:11:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.373519
• Title: Clapeyron Neural Networks for Single-Species Vapor-Liquid Equilibria
• Title（参考訳）: 単一種気液平衡のためのクラピロンニューラルネットワーク
• Authors: Jan Pavšek, Alexander Mitsos, Elvis J. Sim, Jan G. Rittig,
• Abstract要約: 機械学習アプローチは、化学プロセス設計に関連する分子特性を予測するための有望な結果を示している。 本稿では, 損失関数に熱力学関係を組み込んだ熱力学インフォームドMLをトレーニングの正規化用語として提案する。 単一タスク学習環境と比較してClapeyron-GNNの予測精度が向上し、純粋にデータ駆動型マルチタスク学習環境と比較してClapeyron方程式の近似性が向上した。
• 参考スコア（独自算出の注目度）: 39.691553958657764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) approaches have shown promising results for predicting molecular properties relevant for chemical process design. However, they are often limited by scarce experimental property data and lack thermodynamic consistency. As such, thermodynamics-informed ML, i.e., incorporating thermodynamic relations into the loss function as regularization term for training, has been proposed. We herein transfer the concept of thermodynamics-informed graph neural networks (GNNs) from the Gibbs-Duhem to the Clapeyron equation, predicting several pure component properties in a multi-task manner, namely: vapor pressure, liquid molar volume, vapor molar volume and enthalpy of vaporization. We find improved prediction accuracy of the Clapeyron-GNN compared to the single-task learning setting, and improved approximation of the Clapeyron equation compared to the purely data-driven multi-task learning setting. In fact, we observe the largest improvement in prediction accuracy for the properties with the lowest availability of data, making our model promising for practical application in data scarce scenarios of chemical engineering practice.
• Abstract（参考訳）: 機械学習(ML)アプローチは、化学プロセス設計に関連する分子特性を予測するための有望な結果を示している。 しかし、それらは実験的な特性データが少なく、熱力学的に整合性がないため、しばしば制限される。 このように、熱力学インフォームドML、すなわち、損失関数に熱力学関係を組み込んだトレーニングの正規化項が提案されている。 本稿では,Gibs-Duhem方程式からClapeyron方程式に熱力学インフォームドグラフニューラルネットワーク(GNN)の概念を変換し,蒸気圧,液圧,気相体積,気相のエンタルピーなど,複数の純粋な成分特性をマルチタスクで予測する。 単一タスク学習環境と比較してClapeyron-GNNの予測精度が向上し、純粋にデータ駆動型マルチタスク学習環境と比較してClapeyron方程式の近似性が向上した。 実際に,データの可用性が低い特性の予測精度を最大に向上させることで,ケミカルエンジニアリング実践におけるデータ不足のシナリオにおいて,本モデルが実用化に期待できるものとなる。

関連論文リスト

• 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)
• A machine-learned expression for the excess Gibbs energy [15.799043135621565]
  ギブスエネルギーは化学工学や化学において中心的な役割を担い、液体混合物の熱力学特性をモデル化するための基礎となる。 本研究では、柔軟ニューラルネットワークに物理法則をハード制約として組み込むことにより、この問題に対処する。 結果として得られたモデルであるHANNAは、Dortmund Data Bankのバイナリ混合物のための広範な実験データセットでエンドツーエンドにトレーニングされた。
  論文  参考訳（メタデータ） (2025-09-08T09:47:03Z)
• Why Knowledge Distillation Works in Generative Models: A Minimal Working Explanation [50.784080714897776]
  知識蒸留(KD)は、現代の生産モデルの訓練と展開における中核的な要素である。 我々は,KDが学生モデルにおける精度とリコールのトレードオフを引き起こすことを示す。 本分析は、生成モデルにおけるKDの有効性について、単純かつ一般的な説明を提供する。
  論文  参考訳（メタデータ） (2025-05-19T13:39:47Z)
• ChemKANs for Combustion Chemistry Modeling and Acceleration [0.0]
  ChemKANは、燃焼化学のためのモデル推論とシミュレーション加速のための新しいニューラルネットワークフレームワークである。 ケムカンの構造はカルモゴロフ・アーノルドネットワークの一般微分方程式(KAN-ODE)を、関連する力学および熱力学の法則を通じて情報の流れを知ることで強化する。 我々は、ChemKANsの頑健さを、最大15%の付加ノイズを含むスパースデータと、非常に大規模なネットワークパラメータ化にベンチマークする。
  論文  参考訳（メタデータ） (2025-04-17T01:53:28Z)
• Bridging Equilibrium and Kinetics Prediction with a Data-Weighted Neural Network Model of Methane Steam Reforming [0.0]
  運動と平衡の両方を統一できる代理モデルを示す。 運動と平衡の実験からの実験データを含む包括的なデータセットに基づいてトレーニングされた人工ニューラルネットワーク。 ネットワークが予測の連続デリバティブを提供する能力は、特にプロセスモデリングと最適化に有用である。
  論文  参考訳（メタデータ） (2025-04-15T14:55:06Z)
• Enhancing the Scalability and Applicability of Kohn-Sham Hamiltonians for Molecular Systems [11.085215676429858]
  我々は、物理精度で密度汎関数理論計算のためのスケーラブルなモデルを作成する。 その結果, 総エネルギー予測誤差を1347倍, SCF計算速度を18%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-02-26T15:36:25Z)
• Gibbs-Duhem-Informed Neural Networks for Binary Activity Coefficient Prediction [45.84205238554709]
  本稿では,Gibs-Duhem-informed Neural Network を用いて,様々な組成における二成分活性係数の予測を行う。 ニューラルネットワークの学習における損失関数にギブス・デュヘム方程式を明示的に含んでいる。
  論文  参考訳（メタデータ） (2023-05-31T07:36:45Z)
• SPT-NRTL: A physics-guided machine learning model to predict thermodynamically consistent activity coefficients [0.12352483741564477]
  本研究では,熱力学的に一貫した活動係数を予測する機械学習モデルであるSPT-NRTLを紹介する。 SPT-NRTLは、全ての官能基にわたる活動係数の予測においてUNIFACよりも高い精度を達成する。
  論文  参考訳（メタデータ） (2022-09-09T06:21:05Z)
• Graph Neural Networks for Temperature-Dependent Activity Coefficient Prediction of Solutes in Ionic Liquids [58.720142291102135]
  IL中の溶質の温度依存性無限希釈交流を予測するためのGNNを提案する。 我々は、GNNを4万以上のAC値を含むデータベース上でトレーニングし、最先端のMCMと比較する。 GNNとMCMも同様に高い予測性能を達成し、GNNはトレーニング中に考慮されていないILと溶質を含む溶液のACに対して高品質な予測を可能にする。
  論文  参考訳（メタデータ） (2022-06-23T15:27:29Z)
• 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)

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。