論文の概要: Predicting Activities in Aqueous Electrolyte Solutions with Hybrid Machine Learning

• arxiv url: http://arxiv.org/abs/2607.19114v1
• Date: Tue, 21 Jul 2026 13:58:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.43929
• Title: Predicting Activities in Aqueous Electrolyte Solutions with Hybrid Machine Learning
• Title（参考訳）: ハイブリッド機械学習による電解質水溶液中の予測活性
• Abstract要約: 本稿では,Bromleyモデルと機械学習の行列補完法(MCM)を組み合わせた新しいハイブリッドモデルを提案する。 MCMはブロムリーモデルの電解質特異的パラメータを予測するために用いられ、これらのパラメータはそれぞれ、カチオンとアニオンを行と列としてマトリクスに配置できるという事実を活用している。
• 参考スコア（独自算出の注目度）: 0.2752817022620644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Activities in aqueous electrolyte solutions, usually described by ionic activity and osmotic coefficients, are important properties for modeling many processes in industry and nature. Established activity models, such as those of Pitzer or Bromley, require fitting to experimental data for each electrolyte of interest and thus cannot predict properties for unstudied systems. While some predictive approaches exist, they are typically limited in scope and rely on additional ion-specific descriptors. In this work, we introduce a new hybrid model that combines the physics-based Bromley model with a matrix completion method (MCM) from machine learning. The MCM is employed to predict the electrolyte-specific parameters of the Bromley model, exploiting the fact that these parameters can be arranged in a matrix with cations and anions as rows and columns, respectively. Due to the lack of experimental data for many electrolytes, the initial parameter matrix is sparsely populated, making the prediction of the Bromley parameters for unstudied electrolytes a matrix completion problem. The hybrid model, Bromley-MCM, was trained end-to-end on experimental data for mean ionic activity coefficients and osmotic coefficients of aqueous solutions of 478 electrolytes at 298 K from the Dortmund Data Bank. As output, we obtain a completed matrix of Bromley parameters for 83 cations and 112 anions, enabling consistent prediction of concentration-dependent activities in aqueous solutions of 9,296 electrolytes at 298~K. This substantially extends the applicability of the Bromley model while maintaining high predictive accuracy, as demonstrated through evaluations on electrolytes excluded from model training.
• Abstract（参考訳）: 電解質水溶液の活性は通常、イオン活性と浸透係数によって説明され、産業や自然の多くの過程をモデル化する上で重要な性質である。 ピッツァー (Pitzer) やブロムリー (Bromley) のような確立された活動モデルでは、興味のある電解質ごとに実験データに適合する必要があるため、研究されていないシステムの特性を予測できない。 いくつかの予測的アプローチはあるが、通常は範囲が限られており、追加のイオン固有の記述子に依存している。 本研究では,物理に基づくブロムリーモデルと機械学習による行列補完手法(MCM)を組み合わせた新しいハイブリッドモデルを提案する。 MCMはブロムリーモデルの電解質特異的パラメータを予測するために用いられ、これらのパラメータはそれぞれ、カチオンとアニオンを行と列としてマトリクスに配置できるという事実を活用している。 多くの電解質の実験データがないため、初期パラメータ行列は疎密であり、未研究の電解質に対するブロムリーパラメータの予測はマトリックス完成問題である。 このハイブリッドモデルであるブロムリー-MCMは、ドルトムント・データバンクから298Kで478の電解質水溶液の平均イオン活性係数と浸透係数の実験データに基づいて、エンドツーエンドに訓練された。 出力として,83カチオンおよび112アニオンのブロムリーパラメータの完成行列が得られ,9,296電解質水溶液中の濃度依存性活性を298〜Kで一貫した予測が可能となった。 これは、モデルトレーニングから除外された電解質の評価を通じて示されるように、高い予測精度を維持しながらブロムリーモデルの適用性を著しく拡張する。

関連論文リスト

• Physics-Informed Neural Network with Transfer Learning for State Estimation in Lithium-Ion Batteries using the Single Particle Model with Electrolyte [0.5371337604556311]
  物理インフォームドニューラルネットワーク(PINN)は非線形偏微分方程式を解く強力なツールとして登場した。 PINNは、特に電解質を用いた単一粒子モデル(SPMe)のような低次モデルに対して、スケーラビリティの向上を提供する。
  論文  参考訳（メタデータ） (2026-06-26T16:11:00Z)
• OBELiX: A Curated Dataset of Crystal Structures and Experimentally Measured Ionic Conductivities for Lithium Solid-State Electrolytes [39.33713747927337]
  固体電解質電池は近い将来、液体電解質リチウムイオン電池を置き換えることが期待されている。 現在、それらの採用は、より効果的なイオン伝導率の低下によって妨げられている。 OBELiXは、合成固体電解質材料とその実験的に測定された室温イオン伝導度のデータベースである。
  論文  参考訳（メタデータ） (2025-02-20T03:59:35Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• COEFF-KANs: A Paradigm to Address the Electrolyte Field with KANs [5.759388420139191]
  液体電解質の組成に基づいてクーロン効率(CE)を自動的に予測する新しい手法を提案する。 得られた電解質の特徴を多層パーセプトロンまたはコルモゴロフ・アルノルドネットワークに入力してCEを予測する。 実世界のデータセットを用いた実験結果から,本手法はCE予測のためのSOTAを全ベースラインと比較した結果を得た。
  論文  参考訳（メタデータ） (2024-07-24T14:45:25Z)
• Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
  神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。 近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。 この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
  論文  参考訳（メタデータ） (2024-05-23T16:30:51Z)
• A predictive machine learning force field framework for liquid electrolyte development [11.463808946378743]
  本稿では,分子動力学(MD)シミュレーションの予測フレームワークであるBAMBOOを紹介する。 我々は、量子力学シミュレーションから学ぶため、BAMBOOのバックボーンとして、物理に着想を得たグラフ同変変変圧器アーキテクチャを設計する。 また,アンサンブル知識蒸留手法を導入してMLFFに適用し,MDシミュレーションによる観測の変動を低減する。
  論文  参考訳（メタデータ） (2024-04-10T17:31:49Z)
• Toward High-Performance Energy and Power Battery Cells with Machine Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
  本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。 本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。 以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
  論文  参考訳（メタデータ） (2023-07-07T13:48:50Z)
• Normalizing flows for atomic solids [67.70049117614325]
  原子状固体をモデル化するための正規化フローに基づく機械学習手法を提案する。 我々は,単原子水としてモデル化された立方晶および六角形氷のヘルムホルツ自由エネルギー推定と,切り離されたレナード・ジョーンズ系について報告する。 以上の結果から, 結晶形状に制約を加えることなく, 流動の正規化により, 固体の高品質な試料と自由エネルギー推定が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-11-16T18:54:49Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Modified Gaussian Process Regression Models for Cyclic Capacity Prediction of Lithium-ion Batteries [5.663192900261267]
  本稿では,リチウムイオン電池の容量予測のための機械学習によるデータ駆動モデルの開発について述べる。 開発モデルは, 種々のサイクリングパターンを有する酸化ニッケル (MCN) リチウムイオン電池と比較した。
  論文  参考訳（メタデータ） (2020-12-31T19:05:27Z)
• Stochastic modeling of non-linear adsorption with Gaussian kernel density estimators [2.7126936616742845]
  吸着は、製品製造や汚染修復など、多くの分野で関連するプロセスである。 我々は吸着シミュレーションのための化学拡散反応モデルを提案した。 提案モデルでは,ラングミュアとフレンドリッヒ等温線の非線形挙動特性を効果的に再現することができる。
  論文  参考訳（メタデータ） (2020-04-14T12:21:33Z)

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。