論文の概要: From fragmented data to actionable design: Physics-calibrated learning for plastic upcycling
- arxiv url: http://arxiv.org/abs/2608.02402v1
- Date: Mon, 03 Aug 2026 15:47:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.681307
- Title: From fragmented data to actionable design: Physics-calibrated learning for plastic upcycling
- Title（参考訳）: 断片化データから実行可能な設計へ:プラスチック製アップサイクリングのための物理校正学習
- Abstract要約: PC-MG-MoEフレームワークは構造的欠陥を情報学習信号に変換する。
部分的に観察された実験から直接学習する。
ブラックボックス予測のみではなく、解釈可能なモデル動作を提供する。
- 参考スコア（独自算出の注目度）: 3.859212984948451
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Thermochemical upgrading of plastic waste is a key upcycling pathway, yet the experimental literature is fragmented by heterogeneous conditions and incomplete reporting. Complete-case learning would retain only 10.99% of the curated experiments, while target imputation can introduce biased supervision. Here we develop a Physics-Calibrated, Missingness-Gated, and Load-Balanced Mixture-of-Experts (PC-MG-MoE) framework that converts structured missingness into an informative learning signal. PC-MG-MoE learns directly from partially observed experiments without target imputation, reconstructs physically consistent product distributions, accommodates cross-laboratory heterogeneity, and provides interpretable model behaviour rather than black-box prediction alone. Under stringent source-grouped validation, it achieved the lowest aggregate absolute error among the evaluated models, supporting engineering screening under cross-laboratory heterogeneity. Wet-lab experiments provide an external comparison, showing key composition-dependent trends. Implemented as an interactive web-based workflow, PC-MG-MoE enables forward screening, physics-grounded constrained inverse design, targeted experimental planning that supports reduced experimental workload and trial-and-error, and laboratory-specific adaptation with new platform-specific data. This work establishes a transferable framework for converting fragmented literature data into experimentally actionable guidance for model-guided plastic upcycling and broader thermochemical systems.
- Abstract（参考訳）: プラスチック廃棄物の熱化学的改質は, 重要なアップサイクリング経路であるが, 不均一条件と不完全報告により, 実験文献は断片化されている。
完全ケース学習は、キュレートされた実験の10.99%しか保持しないが、目標計算はバイアスのある監督を導入する可能性がある。
ここでは、構造的欠落を情報学習信号に変換する物理校正、欠落、負荷バランス混合(PC-MG-MoE)フレームワークを開発する。
PC-MG-MoEは、目標計算なしで部分的に観察された実験から直接学習し、物理的に一貫した製品分布を再構成し、クロスラボレーティブな不均一性に対応し、ブラックボックス予測のみでなく解釈可能なモデル行動を提供する。
厳密なソースグループ検証の下では、評価されたモデルの中で最小の絶対誤差を達成し、クロスコラボレーティブな不均一性の下でのエンジニアリングスクリーニングをサポートした。
ウェットラブ実験は外部比較を行い、重要な構成に依存した傾向を示している。
インタラクティブなWebベースのワークフローとして実装されたPC-MG-MoEは、フォワードスクリーニング、物理地上の制約された逆設計、実験負荷の削減と試行錯誤をサポートする実験計画、新しいプラットフォーム固有のデータによる実験室固有の適応を可能にする。
この研究は、断片化された文献データをモデル誘導型プラスチック製アップサイクリングおよびより広範な熱化学システムのための実験的に実行可能なガイダンスに変換するための伝達可能なフレームワークを確立する。
関連論文リスト
- Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。
LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文 参考訳（メタデータ） (2026-05-27T23:48:01Z) - Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment [51.246114581338865]
科学と工学における根本的な課題は、シミュレーションと実験のギャップである。
このギャップを埋めるデータ駆動型分散アライメントフレームワークを提案する。
本手法は,複数個の相関した観測可能値であっても,対象の観測可能分布を復元できることを実証する。
論文 参考訳（メタデータ） (2026-04-01T17:21:33Z) - Evaluating Universal Machine Learning Force Fields Against Experimental Measurements [15.863801293927635]
ユニバーサル機械学習力場(UMLFF)は、周期表を横断する素早い原子論シミュレーションを可能にすることによって、材料科学に革命をもたらすことを約束する。
ここでは, 1500の慎重に硬化した鉱物構造の実験的測定に対して, 実験結合性FFsを総合的に評価するためのフレームワークであるUniFFBenchについて述べる。
計算ベンチマークにおける印象的な性能を達成するモデルは、実験的な複雑さに直面すると、しばしば失敗する。
論文 参考訳（メタデータ） (2025-08-07T18:21:39Z) - ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。
このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。
反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
論文 参考訳（メタデータ） (2025-06-30T05:11:19Z) - Self-Refining Training for Amortized Density Functional Theory [5.5541132320126945]
そこで本稿では,自己修復学習戦略を導入することにより,大規模な事前コンパイルデータセットに対するアモータイズDFTソルバの依存性を低減する手法を提案する。
本手法は, 生成試料と基底状態エネルギーで定義される対象ボルツマン分布との差分を測定するKL偏差の変動上界の最小化として導出する。
論文 参考訳（メタデータ） (2025-06-02T00:32:32Z) - Prediction-Powered Causal Inferences [59.98498488132307]
予測型因果推論(PPCI)に焦点をあてる
まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。
次に、実験間での十分な表現制約伝達の妥当性を導入する。
論文 参考訳（メタデータ） (2025-02-10T10:52:17Z) - Surrogate-based multiscale analysis of experiments on thermoplastic composites under off-axis loading [0.0]
偏軸荷重下での一方向熱可塑性複合材料上での定ひずみ速度とクリープ実験をモデル化するための代理型マルチスケールアプローチを提案する。
実験結果から, 単一スケールのマイクロメカニカルアプローチよりも広い範囲の環境において, 実験との整合性が示唆された。
論文 参考訳（メタデータ） (2025-01-17T13:39:10Z) - PartMix: Regularization Strategy to Learn Part Discovery for
Visible-Infrared Person Re-identification [76.40417061480564]
本稿では、パートベース可視赤外線人物再識別(VI-ReID)モデルに対して、PartMixと呼ばれる新しいデータ拡張手法を提案する。
部分記述子をモダリティに混合することにより、拡張サンプルを合成し、パートベースVI-ReIDモデルの性能を向上させる。
論文 参考訳（メタデータ） (2023-04-04T05:21:23Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - Identifying Entangled Physics Relationships through Sparse Matrix
Decomposition to Inform Plasma Fusion Design [0.021079694661943604]
慣性核融合(ICF)による持続可能な燃焼プラットフォームは、50年以上にわたって進行中の課題である。
我々はスパース行列分解法を用いて、いくつかの関連する設計変数のクラスタを同定する。
可変重要性解析により、ピケットパワーやレーザーエネルギーといった中性子収率と高い相関を持つ変数に加えて、パルスステップの数などのICF設計の劇的な変化を表す変数も非常に重要であることが判明した。
論文 参考訳（メタデータ） (2020-10-28T20:20:32Z) - Predicting Chemical Properties using Self-Attention Multi-task Learning
based on SMILES Representation [0.0]
本研究では,変圧器変圧器モデルの構造的差異について検討し,新しい自己注意モデルを提案する。
不均衡な化学データセットを用いたマルチタスク学習環境において,自己認識モジュールの表現学習性能を評価した。
論文 参考訳（メタデータ） (2020-10-19T09:46:50Z)
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。