論文の概要: A green solvent screening tool for emerging materials via uncertainty aware, transformer enhanced transfer learning

• arxiv url: http://arxiv.org/abs/2606.13060v1
• Date: Thu, 11 Jun 2026 08:46:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.679574
• Title: A green solvent screening tool for emerging materials via uncertainty aware, transformer enhanced transfer learning
• Title（参考訳）: 不確実性認識・トランスフォーマー強化型トランスファー学習による新素材のグリーン溶媒スクリーニングツール
• Authors: Ioannis Kouroudis, Simon Ternes, Zhaosu Gu, Gohar Ali Siddiqui, Marina Ustinova, Angelo Lembo, Alessio Gagliardi, Aldo Di Carlo,
• Abstract要約: 本研究では,QM9ターゲットに関する事前学習された基礎モデルを,最小限のデータ要件でアプリケーションに導入する。 ベースラインとして、広範囲なデータベースが存在する溶解度パラメータと誘電率ハンセンを予測することに成功している。 有効な普及のために,我々は高スループットラボと容易に統合可能で,溶媒代替品のランク付けとスクリーニングを行うためのカスタマイズ可能なツールをデプロイする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of solubility remains a central challenge across materials science and sustainable chemistry. In particular due to emerging technologies like organic and hybrid photovoltaics, batteries, and catalysis, solvent usage is expected to increase significantly within the coming years. Therefore, substituting solvents with greener alternatives is vital. This is where machine learning can have substantial impact. However, the limited data on critical parameters of solubility significantly constraints machine learning efficacy. In this work, we transfer a pre-trained foundational model on QM9 targets to our application with minimal data requirements. Additionally, the pipeline integrates uncertainty quantification, allowing the user to gauge the confidence of the predictions. As baseline, we succeed in predicting the Hansen solubility parameters and Dielectric Constant for which extensive databases exist. Importantly, we achieve high model performance on additional targets, such as Gutmann Donor and Acceptor numbers, where the available data is extremely limited. Overall, we augment data on solubility descriptors by orders of magnitude with high quality predictions. For effective dissemination, we deploy easy-to-use, easily integrateable with high throughput labs, customizable tool for ranking and screening possible solvent substitutes. Finally, we rediscovered known green solvent alternatives and proposed new candidates proving its relevance for finding eco-friendly solvents.
• Abstract（参考訳）: 溶解度の正確な予測は、材料科学と持続可能な化学における中心的な課題である。 特に有機・ハイブリッド太陽光発電、電池、触媒などの新興技術により、溶媒の使用量は今後数年で大幅に増加すると予想されている。 したがって、よりグリーンな代替溶媒の置換が不可欠である。 ここで機械学習は大きな影響を与える可能性がある。 しかし、溶解度の重要なパラメータに関する制限されたデータは、機械学習の有効性を著しく制限する。 本研究では,QM9ターゲットの事前学習された基礎モデルを,最小限のデータ要求でアプリケーションに転送する。 さらに、パイプラインは不確実な定量化を統合し、ユーザは予測の信頼性を評価することができる。 ベースラインとして,広範囲なデータベースが存在するハンセン溶解度パラメータと誘電率を予測することに成功している。 重要なことは、利用可能なデータが極めて限られているGutmann DonorやAcceptor数など、新たなターゲット上での高モデルパフォーマンスを実現することである。 全体として,可溶性記述子に関するデータを,高品質な予測で桁違いに拡張する。 有効な普及のために,我々は高スループットラボと容易に統合可能で,溶媒代替品のランク付けとスクリーニングを行うためのカスタマイズ可能なツールをデプロイする。 最後に、既知の緑色溶剤の代替品を再発見し、エコフレンドリーな溶剤の発見との関連性を示す新しい候補を提案した。

関連論文リスト

• All-atomistic Transferable Neural Potentials for Protein Solvation [0.0]
  入射溶媒モデル(英語版)は、溶媒の自由度を減少させ、水分子を含まない溶媒エネルギーの計算を可能にするために広く用いられている。 近年の神経電位の進歩は薬物発見の可能性を示唆しているが、伝達性は持続的な課題である。 本稿では,最終エネルギーにポストホック調整を適用するのではなく,モデルパラメータへの変換可能な補正を学習することにより,解析的連続解法を拡張する暗黙の解法モデルであるPhitary Hydration Neural Network(PHNN)を紹介する。
  論文  参考訳（メタデータ） (2026-05-14T08:54:41Z)
• SoDaDE: Solvent Data-Driven Embeddings with Small Transformer Models [0.7115692149520956]
  溶媒データ駆動型埋め込み(SoDaDE)の開発による新しい溶媒表現法を提案する。 SoDaDEは小さなトランスモデルと溶媒特性データセットを使用して、溶媒の指紋を生成する。 この論文を通じて、データ駆動型指紋は小さなデータセットで作成でき、他のアプリケーションで探索可能なワークフローをセットアップできることを実証する。
  論文  参考訳（メタデータ） (2025-09-26T13:03:06Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
  大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。 本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。 我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
  論文  参考訳（メタデータ） (2025-01-20T06:35:01Z)
• Towards Robust Ferrous Scrap Material Classification with Deep Learning and Conformal Prediction [0.10241134756773229]
  本稿では, 不確実性を定量化し, スクラップ分類にロバスト性を加えるために, 共形予測を用いる方法について述べる。 提案手法は,9つの鉄スクラップクラスにまたがる8147画像の包括的データセットを用いて評価する。
  論文  参考訳（メタデータ） (2024-04-19T16:59:04Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Predicting small molecules solubilities on endpoint devices using deep ensemble neural networks [0.9539205054513324]
  第一原理法はエントロピーとエンタルピーの競合する効果を考慮しなければなりません。 ディープラーニングのようなデータ駆動型アプローチは、精度と計算効率を向上させるが、典型的には不確実な定量化を欠いている。 サーバを使わずに静的なWebサイト上で実行される予測の不確実性のあるディープラーニングモデルを用いて,これらの問題に対処する。
  論文  参考訳（メタデータ） (2023-07-11T15:01:48Z)
• Accurate, reliable and interpretable solubility prediction of druglike molecules with attention pooling and Bayesian learning [1.8275108630751844]
  可溶性のシリコ予測は, 仮想スクリーニングと鉛最適化において有用性について研究されている。 近年,物理に基づく手法は高スループットタスクには適さないため,実験データを用いた機械学習(ML)手法が普及している。 本稿では,グラフニューラルネットワーク(GNN)を自己注意型読み出し層で開発し,予測性能を向上させる。
  論文  参考訳（メタデータ） (2022-09-29T07:48:10Z)
• 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)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)

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。