論文の概要: Active Learning for Generalizable Detonation Performance Prediction of Energetic Materials

• arxiv url: http://arxiv.org/abs/2604.08744v1
• Date: Thu, 09 Apr 2026 20:16:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.565959
• Title: Active Learning for Generalizable Detonation Performance Prediction of Energetic Materials
• Title（参考訳）: 汎用デトネーション性能予測のためのアクティブラーニング
• Authors: R. Seaton Ullberg, Megan C. Davis, Jeremy N. Schroeder, Andrew H. Salij, M. J. Cawkwell, Christopher J. Snyder, Wilton J. M. Kort-Kamp, Ivana Matanovic,
• Abstract要約: 新しいエネルギー素材の発見は、防衛から民間産業への技術の進歩に不可欠である。 我々は、密度汎関数理論計算、熱化学モデリング、メッセージパッシングニューラルネットワーク、ベイズ最適化を統合した能動的学習戦略により、この問題に対処する。 このアプローチは、700億以上の候補からなる初期プールから引き出されたCHNO爆発の可能性を秘めている最大のデータベースとなる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The discovery of new energetic materials is critical for advancing technologies from defense to private industry. However, experimental approaches remain slow and expensive while computational alternatives require accurate material property inputs that are often costly to obtain, limiting their ability to efficiently predict detonation performance across a vast chemical space. We address this challenge through an active learning strategy that integrates density functional theory calculations, thermochemical modeling, message-passing neural networks, and Bayesian optimization. The resulting high-throughput workflow iteratively expands the training dataset by selecting new molecules in a targeted manner that balances the exploration of broad chemical space with the exploitation of promising high-performing candidates. This approach yields the largest publicly available database of potential CHNO explosives drawn from an initial pool of more than 70 billion candidates and a generalizable surrogate model capable of accurately predicting detonation performance (R$^2$ > 0.98). Feature importance analysis on this largest-to-date dataset reveals that oxygen balance is the dominant driver of detonation performance, complemented by contributions from local electronic structure, density, and the presence of specific functional groups. Cheminformatics analysis highlights how energetic materials with similar performance metrics tend to cluster in distinct chemical spaces offering a clearer direction for future synthesis studies. Together, the surrogate model, database, and resulting chemical insights provide a valuable foundation for high-throughput screening and targeted discovery of new energetic materials spanning diverse and previously unexplored regions of chemical space.
• Abstract（参考訳）: 新しいエネルギー素材の発見は、防衛から民間産業への技術の進歩に不可欠である。 しかし、実験的なアプローチは遅くてコストがかかるままであり、計算的な代替手段では、しばしば入手するのにコストがかかる正確な物質的特性の入力が必要であり、広大な化学空間で起爆性能を効率的に予測する能力を制限する。 我々は、密度汎関数理論計算、熱化学モデリング、メッセージパッシングニューラルネットワーク、ベイズ最適化を統合した能動的学習戦略により、この問題に対処する。 結果として得られた高スループットワークフローは、幅広い化学領域の探索と有望な高パフォーマンス候補の活用のバランスをとるために、新しい分子を標的として選択することで、トレーニングデータセットを反復的に拡張する。 このアプローチは、700億以上の候補からなる初期プールから引き出された潜在的なCHNO爆発物の最大公用データベースと、デトネーション性能を正確に予測できる一般化可能なサロゲートモデル(R$^2$ > 0.98)をもたらす。 この最大から最新のデータセットの特徴的重要性分析は、酸素バランスが起爆性能の主要な要因であり、局所電子構造、密度、特定の官能基の存在からの貢献によって補完されることを示している。 ケミンフォマティクス分析は、同様の性能測定値を持つエネルギー的な物質が、将来の合成研究の明確な方向を示す異なる化学空間にどのように集まるかを強調している。 同時に、サロゲートモデル、データベース、および結果の化学的な洞察は、高スループットのスクリーニングと、これまで探索されなかった化学空間の多様な領域にまたがる新しいエネルギー材料発見のための貴重な基盤となる。

関連論文リスト

• Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
  持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。 我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
  論文  参考訳（メタデータ） (2026-03-31T13:29:20Z)
• Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis [51.83339196548892]
  ChemCraftは、知識ストレージから化学推論を分離する新しいフレームワークである。 ChemCraftは最小の推論コストで優れたパフォーマンスを実現する。 この研究は、AI支援化学のコスト効率とプライバシ保護のパラダイムを確立する。
  論文  参考訳（メタデータ） (2026-01-25T04:23:34Z)
• 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)
• Iterative Corpus Refinement for Materials Property Prediction Based on Scientific Texts [5.592360872268223]
  本稿では、最も多様な文書を戦略的に選択し、Word2Vecモデルを訓練し、組込み空間における合成-プロパティ相関の収束をモニタリングすることにより、与えられた科学的コーパスを洗練する反復的フレームワークを提案する。 提案手法は, 酸素還元反応 (ORR) , 水素進化反応 (HER) および酸素進化反応 (OER) に関する高効率材料を, 多くの候補成分に対して予測するために適用した。
  論文  参考訳（メタデータ） (2025-05-27T18:20:58Z)
• Active Causal Learning for Decoding Chemical Complexities with Targeted Interventions [0.0]
  そこで本研究では,戦略的サンプリングを通じて原因・影響関係を識別する能動的学習手法を提案する。 この方法は、より大きな化学空間の最も多くの情報を符号化できるデータセットの最小サブセットを特定する。 その後、同定された因果関係を利用して体系的な介入を行い、モデルがこれまで遭遇していなかった化学空間における設計タスクを最適化する。
  論文  参考訳（メタデータ） (2024-04-05T17:15:48Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• 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)

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。