論文の概要: Differentiable Thermodynamic Phase-Equilibria for Machine Learning

• arxiv url: http://arxiv.org/abs/2603.11249v1
• Date: Wed, 11 Mar 2026 19:14:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.608053
• Title: Differentiable Thermodynamic Phase-Equilibria for Machine Learning
• Title（参考訳）: 機械学習のための微分熱力学相平衡
• Authors: Karim K. Ben Hicham, Moreno Ascani, Jan G. Rittig, Alexander Mitsos,
• Abstract要約: DISCOMAXは相平衡計算のための微分可能なアルゴリズムであり、トレーニングと推論の両方で熱力学的整合性を保証する。 本研究では,二成分液平衡データに対するアプローチを評価し,既存のサロゲート法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 39.691553958657764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of phase equilibria remains a central challenge in chemical engineering. Physics-consistent machine learning methods that incorporate thermodynamic structure into neural networks have recently shown strong performance for activity-coefficient modeling. However, extending such approaches to equilibrium data arising from an extremum principle, such as liquid-liquid equilibria, remains difficult. Here we present DISCOMAX, a differentiable algorithm for phase-equilibrium calculation that guarantees thermodynamic consistency at both training and inference, only subject to a user-specified discretization. The method is rooted in statistical thermodynamics, and works via a discrete enumeration with subsequent masked softmax aggregation of feasible states, and together with a straight-through gradient estimator to enable physics-consistent end-to-end learning of neural $g^{E}$-models. We evaluate the approach on binary liquid-liquid equilibrium data and demonstrate that it outperforms existing surrogate-based methods, while offering a general framework for learning from different kinds of equilibrium data.
• Abstract（参考訳）: 相平衡の正確な予測は、化学工学における中心的な課題である。 熱力学構造をニューラルネットワークに組み込む物理一貫性のある機械学習手法は、最近、活動係数モデリングの強力な性能を示している。 しかし、液体液平衡のような極限原理から生じる平衡データにそのようなアプローチを拡張することは依然として困難である。 ここでは、トレーニングと推論の両方において熱力学的整合性を保証する相平衡計算のための微分可能アルゴリズムdisCOMAXについて述べる。 この方法は統計熱力学に根ざし、その後のマスク付きソフトマックスアグリゲーションを用いて離散列挙を行い、ストレートスルー勾配推定器とともに、ニューラル$g^{E}$-モデルの物理一貫性のあるエンドツーエンド学習を可能にする。 本研究では, 液液平衡データに対するアプローチを評価し, 既存の代理法よりも優れていることを示すとともに, 異なる種類の平衡データから学習するための一般的な枠組みを提供する。

関連論文リスト

• 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)
• Efficient mapping of phase diagrams with conditional Boltzmann Generators [4.437335677401287]
  位相図全体に対するボルツマン生成法に基づく深層生成機械学習モデルを開発した。 単一正規化流を訓練することにより, 単一の基準熱力学状態から広範囲の目標温度, 圧力に比例した平衡分布を変換し, 効率よく平衡分布を生成することができる。 我々は、レナード=ジョーンズ系の固液共存線を最先端自由エネルギー法とよく一致して予測することで、我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2024-06-18T08:05:04Z)
• A Posteriori Evaluation of a Physics-Constrained Neural Ordinary Differential Equations Approach Coupled with CFD Solver for Modeling Stiff Chemical Kinetics [4.125745341349071]
  我々は,学習中の損失関数に直接物質保存制約を組み込むことで,硬質化学反応学のためのニューラルネットワークフレームワークを拡張した。 これにより、総質量と元素質量が保存されることが保証される。
  論文  参考訳（メタデータ） (2023-11-22T22:40:49Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• 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)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• 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)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)

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。