論文の概要: Differential Learning for Robust Prediction of Thermal Stability with Application to Energetic Materials

• arxiv url: http://arxiv.org/abs/2608.23874v1
• Date: Mon, 24 Aug 2026 22:28:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.648091
• Title: Differential Learning for Robust Prediction of Thermal Stability with Application to Energetic Materials
• Title（参考訳）: 熱安定性のロバスト予測のための微分学習とエネルギー材料への応用
• Abstract要約: ニューラルネットワークをトレーニングして、分子のペア間の相対的な差異を予測する。 このアプローチは、系統的な実験誤差に対する感度を低下させ、温度安定性によってランキング化合物の85%の精度を達成する。 実験結果から,絶対値よりも相対特性を学習することが,ノイズのある実験データのモデリングに有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting thermal stability during handling and storage is essential for the design of safe and reliable energetic materials. However, experimental measurements vary significantly across laboratories due to differences in protocols and analysis methods, making it difficult to train reliable predictive models. We address this challenge through differential learning. Rather than predicting absolute decomposition temperatures, we instead train message passing neural networks to predict relative differences between pairs of molecules. This approach reduces sensitivity to systematic experimental errors and achieves >85% accuracy in ranking compounds by thermal stability, outperforming conventional regression methods on the same heterogeneous dataset. To understand what drives these predictions, we compare neural network models with interpretable alternatives built from descriptors derived from ab initio calculations and cheminformatics software. This analysis identifies bond dissociation enthalpy as a key determinant of thermal stability rankings, providing further insight into the complex chemistry of thermal decomposition. The differential learning framework generalizes across model architectures, from graph neural networks to classical descriptor-based approaches. Our results demonstrate that learning relative properties rather than absolute values offers a practical solution for modeling noisy experimental data, with direct applications in materials design where thermal stability predictions inform safety protocols.
• Abstract（参考訳）: 安全で信頼性の高いエネルギー材料の設計には, 処理・貯蔵時の熱安定性の予測が不可欠である。 しかし、プロトコルや分析方法の違いにより実験室間で実験的な測定が著しく異なるため、信頼性の高い予測モデルを訓練することは困難である。 差分学習によってこの問題に対処する。 絶対分解温度を予測する代わりに、メッセージパッシングニューラルネットワークをトレーニングして、ペアの分子間の相対的な差異を予測する。 このアプローチは、系統的な実験誤差に対する感度を低下させ、温度安定性によってランキング化合物の85%の精度を達成し、同じ異種データセット上で従来の回帰法よりも優れている。 これらの予測を駆動する要因を理解するため、ニューラルネットワークモデルと、ab initio計算とケミノフォマティクスソフトウェアから派生した記述子から構築した解釈可能な代替品を比較した。 この分析は、結合解離エンタルピーを熱安定性ランキングのキー決定因子として同定し、熱分解の複雑な化学についてさらなる知見を与える。 微分学習フレームワークは、グラフニューラルネットワークから古典的な記述子ベースのアプローチまで、モデルアーキテクチャ全体にわたって一般化されている。 その結果, 絶対値ではなく相対特性の学習は, 熱安定性予測が安全プロトコルに影響を及ぼす材料設計において, ノイズの多い実験データをモデル化するための実用的ソリューションを提供することを示した。

関連論文リスト

• Learning Complex Physical Regimes via Coverage-oriented Uncertainty Quantification: An application to the Critical Heat Flux [0.0]
  不確実性定量化(UQ)は、安全性評価ではなく、学習タスク自体への支援と見なされるべきである。 OECD/NEA Expert Group on Reactor Systems Multi-Physicsで発表されたCritical Heat Fluxベンチマークとデータセットに注目した。 ポストホック法は統計的キャリブレーションを保証するが、カバレッジ指向学習は複雑な物理状態に適合するようにモデルの表現を効果的に再評価する。
  論文  参考訳（メタデータ） (2026-02-25T09:04:15Z)
• Refining Machine Learning Potentials through Thermodynamic Theory of Phase Transitions [0.0]
  本研究は,過度に予測された遷移温度を補正するために,トップダウン学習による微調整戦略を提案する。 提案手法は, 純チタンの相図を最大5GPaの圧力範囲で正確に補正できることを示す。 我々のアプローチはモデルに依存しず、固体および固液遷移を持つ多成分系に適用できる。
  論文  参考訳（メタデータ） (2025-12-03T17:06:26Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• Integration of physics-informed operator learning and finite element method for parametric learning of partial differential equations [0.0]
  本稿では,偏微分方程式の解法として物理インフォームド・ディープラーニング手法を用いる手法を提案する。 その焦点は、相コントラストが顕著である不均一固体中の定常熱方程式である。 提案手法を標準有限要素法と比較し,正確かつ高速な予測法を示す。
  論文  参考訳（メタデータ） (2024-01-04T17:01:54Z)
• A Posteriori Evaluation of a Physics-Constrained Neural Ordinary Differential Equations Approach Coupled with CFD Solver for Modeling Stiff Chemical Kinetics [4.125745341349071]
  我々は,学習中の損失関数に直接物質保存制約を組み込むことで,硬質化学反応学のためのニューラルネットワークフレームワークを拡張した。 これにより、総質量と元素質量が保存されることが保証される。
  論文  参考訳（メタデータ） (2023-11-22T22:40:49Z)
• Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
  一般的に用いられる有限差分法に代わる方法を提案する。 我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
  論文  参考訳（メタデータ） (2023-11-09T23:32:06Z)
• Uncertainty quantification and out-of-distribution detection using surjective normalizing flows [46.51077762143714]
  本稿では,深層ニューラルネットワークモデルにおける分布外データセットの探索的正規化フローを用いた簡単なアプローチを提案する。 本手法は, 流通外データと流通内データとを確実に識別できることを示す。
  論文  参考訳（メタデータ） (2023-11-01T09:08:35Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Accurate melting point prediction through autonomous physics-informed learning [52.217497897835344]
  NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。 固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
  論文  参考訳（メタデータ） (2023-06-23T07:53:09Z)
• Physics-informed Convolutional Neural Networks for Temperature Field Prediction of Heat Source Layout without Labeled Data [9.71214034180507]
  本稿では,熱シミュレーションサロゲートのための物理インフォームド畳み込みニューラルネットワーク(CNN)を開発した。 ネットワークは、熱源配置から、ラベル付きデータなしで定常温度場へのマッピングを学習でき、これは部分差分方程式(PDE)の族全体の解法と等しい。
  論文  参考訳（メタデータ） (2021-09-26T03:24:23Z)

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。