論文の概要: Thermodynamic properties of chemically disordered compounds via AI-driven estimation of partition function with the PULSE method

• arxiv url: http://arxiv.org/abs/2605.28594v1
• Date: Wed, 27 May 2026 15:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.148892
• Title: Thermodynamic properties of chemically disordered compounds via AI-driven estimation of partition function with the PULSE method
• Title（参考訳）: PULSE法によるAI駆動型分配関数推定による化学不規則化合物の熱力学特性
• Authors: Baptiste Bernard, Luca Messina, Eiji Kawasaki, Emeric Bourasseau,
• Abstract要約: 化合物の熱力学特性を推定するためのPULSE法の改良版を提案する。 目的は、モンテカルロのこの種の材料に対する計算コストを下げることである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this article, we present an improved version of the PULSE method (Partition function Unsupervised Learning Sampling and Evaluation) for estimating the thermodynamic properties of chemically disordered compounds. The aim is to reduce the computational cost of Monte Carlo approaches for this type of material and to demonstrate that this generative tool can estimate thermodynamic properties by sampling and estimating the partition function of the system. To validate this innovative approach, we use the 2D Ising model as a benchmark. We demonstrate that our method accurately reproduces average properties with high precision and efficiency compared to traditional Monte Carlo sampling methods. Our results highlight the efficiency and adaptability of the PULSE method, making it a valuable tool for studying materials for which conventional methods are too inefficient to compute properties affected by chemical disorder at low cost.
• Abstract（参考訳）: 本稿では,不規則化合物の熱力学特性を推定するためのPULSE法の改良版について述べる。 本研究の目的は,モンテカルロの計算コストを削減し,システムの分割関数のサンプリングと推定により熱力学特性を推定できることを実証することである。 この革新的なアプローチを検証するために、ベンチマークとして2D Isingモデルを使用します。 本研究では,従来のモンテカルロサンプリング法と比較して,高精度で効率の良い平均特性を正確に再現できることを実証する。 本研究は, PULSE法の有効性と適応性を強調し, 従来の手法が非効率である材料を低コストで計算する上で有用なツールであることを示す。

関連論文リスト

• Pure Component Property Estimation Framework Using Explainable Machine Learning Methods [4.8601239628666635]
  結合行列に基づく分子表現法は、原子結合関係を効果的に考慮し、特徴を自動生成する。 ニューラルネットワークとガウス過程回帰モデルを用いて, 通常の沸点 (Tb), 液体モル体積, 臨界温度 (Tc) および臨界圧力 (Pc) の予測結果を得た。 モデルの解釈可能性を高めるために,Shapley値に基づく特徴解析手法を用いて特性予測への各特徴の寄与を決定する。
  論文  参考訳（メタデータ） (2025-05-14T20:21:23Z)
• Machine Learning for Improved Density Functional Theory Thermodynamics [0.0]
  本稿では,密度汎関数理論計算における固有エネルギー分解誤差を体系的に補正する機械学習(ML)手法を提案する。 ニューラルネットワークモデルは、二元系および三元系合金および化合物に対するDFT計算と実験的に測定されたエンタルピーの相違を予測するために訓練されている。 本手法の有効性を,航空宇宙・保護コーティングにおける高温応用に関心のあるAl-Ni-PdおよびAl-Ni-Ti系に応用して説明する。
  論文  参考訳（メタデータ） (2025-03-07T15:46:30Z)
• Targeting the partition function of chemically disordered materials with a generative approach based on inverse variational autoencoders [0.0]
  そこで本研究では,生成機械学習を用いて特性評価を行う手法を提案する。 本手法では,エンコーダとデコーダの逆の役割を持つ特定の種類の変分オートエンコーダを用いる。 本稿では, (U, Pu)O2混合酸化物燃料における点欠陥生成エネルギーと濃度の計算によるアプローチについて述べる。
  論文  参考訳（メタデータ） (2024-08-27T10:05:37Z)
• Advancing Thermodynamic Group-Contribution Methods by Machine Learning: UNIFAC 2.0 [16.003484735462706]
  我々はこの新しい手法を用いて、最も成功したGC法であるUNIFACに対して、ペア-相互作用パラメータの完全なセットを予測する。 結果として得られた新しい手法UNIFAC 2.0は224,000以上の実験データポイントで訓練され、検証されている。
  論文  参考訳（メタデータ） (2024-07-25T13:04:58Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)

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。