論文の概要: Prediction of Diffusion Coefficients in Mixtures with Tensor Completion

• arxiv url: http://arxiv.org/abs/2602.23142v1
• Date: Thu, 26 Feb 2026 16:08:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.763903
• Title: Prediction of Diffusion Coefficients in Mixtures with Tensor Completion
• Title（参考訳）: テンソル完了を伴う混合系の拡散係数の予測
• Authors: Zeno Romero, Kerstin Münnemann, Hans Hasse, Fabian Jirasek,
• Abstract要約: 二成分混合物の無限希釈における温度依存性拡散係数を予測するためのハイブリッドテンソル補完法(TCM)を提案する。 TCMは268Kから378Kの間の任意の温度に線形に外挿し、予測精度が著しく向上した。 予測性能をさらに向上するため,実験データベースをアクティブラーニング戦略を用いて拡張した。
• 参考スコア（独自算出の注目度）: 0.5039813366558306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting diffusion coefficients in mixtures is crucial for many applications, as experimental data remain scarce, and machine learning (ML) offers promising alternatives to established semi-empirical models. Among ML models, matrix completion methods (MCMs) have proven effective in predicting thermophysical properties, including diffusion coefficients in binary mixtures. However, MCMs are restricted to single-temperature predictions, and their accuracy depends strongly on the availability of high-quality experimental data for each temperature of interest. In this work, we address this challenge by presenting a hybrid tensor completion method (TCM) for predicting temperature-dependent diffusion coefficients at infinite dilution in binary mixtures. The TCM employs a Tucker decomposition and is jointly trained on experimental data for diffusion coefficients at infinite dilution in binary systems at 298 K, 313 K, and 333 K. Predictions from the semi-empirical SEGWE model serve as prior knowledge within a Bayesian training framework. The TCM then extrapolates linearly to any temperature between 268 K and 378 K, achieving markedly improved prediction accuracy compared to established models across all studied temperatures. To further enhance predictive performance, the experimental database was expanded using active learning (AL) strategies for targeted acquisition of new diffusion data by pulsed-field gradient (PFG) NMR measurements. Diffusion coefficients at infinite dilution in 19 solute + solvent systems were measured at 298 K, 313 K, and 333 K. Incorporating these results yields a substantial improvement in the TCM's predictive accuracy. These findings highlight the potential of combining data-efficient ML methods with adaptive experimentation to advance predictive modeling of transport properties.
• Abstract（参考訳）: 実験データが乏しく、機械学習(ML)は確立された半経験的モデルに代わる有望な代替手段を提供するため、混合物中の拡散係数を予測することは多くのアプリケーションにとって重要である。 MLモデルの中で、マトリックス補完法(MCM)は二成分混合物の拡散係数を含む熱物性を予測するのに有効であることが証明されている。 しかし、MCMは単温度予測に制限されており、その精度は興味のある各温度に対する高品質な実験データの可用性に強く依存する。 本研究では,二成分混合系の無限希釈における温度依存性拡散係数を予測するためのハイブリッドテンソル完備化法(TCM)を提案する。 TCMはタッカー分解を用い、298 K, 313 K, 333 Kにおける二元系における拡散係数の無限希釈に関する実験データを共同で訓練している。 TCMは268Kから378Kの任意の温度に線形に外挿し、すべての温度で確立されたモデルと比較して予測精度が著しく向上した。 さらに予測性能を向上させるために, パルス場勾配(PFG)NMRによる新しい拡散データ取得を目的としたアクティブラーニング(AL)戦略を用いて実験データベースを拡張した。 19溶質+溶媒系の無限希釈における拡散係数を298K,313K,333Kで測定した。 これらの結果は、データ効率のよいML手法と適応実験を組み合わせることで、輸送特性の予測モデリングを推し進める可能性を強調している。

関連論文リスト

• High-throughput validation of phase formability and simulation accuracy of Cantor alloys [0.14547222152188427]
  本稿では,予測値と実験観測値との一致を評価するための定量的信頼度指標を提案する。 組成変化したFeNiMnCr合金ライブラリ上での高スループットシンクロトロンX線回折により実験データセットを作成した。 観測された相と予測相の一致を,温度依存性の相分類または温度依存性の相形成確率を含むモデルを用いて評価した。
  論文  参考訳（メタデータ） (2025-11-24T17:31:16Z)
• Score Distillation of Flow Matching Models [67.86066177182046]
  我々は、Score Identity Distillation (SiD) を事前訓練されたテキスト対画像フローマッチングモデルに拡張する。 SiDは、データフリーとデータアシストの両方の設定で、これらのモデルですぐに使える。 これは、スコア蒸留がテキストと画像のフローマッチングモデルに広く適用されるという最初の体系的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-09-29T17:45:48Z)
• Surrogate Modelling of Proton Dose with Monte Carlo Dropout Uncertainty Quantification [0.0]
  我々はモンテカルロの投棄を統合し、高速で微分可能な線量予測を提供するニューラルネットワークサロゲートを開発した。 この手法は不確実性情報を保持しつつ,MC上での大幅な高速化を実現する。 プロトン療法におけるロバストな計画、適応的計画、不確実性を考慮した最適化への統合に適している。
  論文  参考訳（メタデータ） (2025-09-16T19:54:49Z)
• Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [93.13866975467549]
  拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。 PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。 N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-19T17:14:22Z)
• Parametric Dynamic Mode Decomposition with multi-linear interpolation for prediction of thermal fields of Al2O3-water nanofluid flows at unseen parameters [0.0]
  この研究では、Al$O$_3$-waterナノフローの熱場を予測するために、社内ベースのソルバを用いている。 1次元と2次元のパラメトリック空間で動作する2つのモデルの性能について検討した。
  論文  参考訳（メタデータ） (2025-03-24T11:27:34Z)
• Predicting the Temperature-Dependent CMC of Surfactant Mixtures with Graph Neural Networks [36.814181034608666]
  界面活性剤は、様々な産業で発泡および浄化の鍵となる材料である。 実際には、界面活性剤の混合物は通常、性能、環境、コストの理由から使用される。 本研究では,CMCの温度依存性を予測するため,界面活性剤混合物のグラフニューラルネットワークフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-11-04T16:17:57Z)
• 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)
• Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
  A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。 本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。 また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
  論文  参考訳（メタデータ） (2023-06-01T09:39:32Z)
• Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
  拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。 実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
  論文  参考訳（メタデータ） (2023-03-03T11:31:55Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Deep learning for surrogate modelling of 2D mantle convection [1.7499351967216341]
  深層学習技術は偏微分方程式のパラメータ化サロゲートを安定に生成できることを示す。 まず、畳み込みオートエンコーダを用いて温度場を142倍圧縮する。 次に、FNNおよび長寿命メモリネットワーク(LSTM)を用いて、圧縮されたフィールドを予測する。
  論文  参考訳（メタデータ） (2021-08-23T12:13:04Z)

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。