論文の概要: Comprehensive Workflow for Uncertainty-Aware Ionic Liquid Solvent Discovery

• arxiv url: http://arxiv.org/abs/2610.17171v1
• Date: Mon, 12 Oct 2026 17:43:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 02:56:15.538452
• Title: Comprehensive Workflow for Uncertainty-Aware Ionic Liquid Solvent Discovery
• Title（参考訳）: 不確かさを意識したイオン液体溶媒発見のための包括的ワークフロー
• Abstract要約: 本稿では,データ処理,ディープラーニングモデリング,物理に基づく計算を結合システムとして扱う特性予測および最適候補選択ワークフローを提案する。 排ガスからCO2を捕捉する新しいイオン液体を設計し, ワークフローの応用を実証する。
• 参考スコア（独自算出の注目度）: 44.50339042016925
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Designing synthesizable materials with targeted properties remains one of the central objectives in materials sciences. Ionic liquids (ILs) are well suited to this goal due to their "tunability", where physical and chemical properties can be precisely customized by modifying their molecular structure, specifically by varying the combination of cations and anions. At the same time, current data-driven property models for ionic liquids often degrade in scarce, noisy, and uneven data regimes, where measurements cover only a small fraction of chemical space and a limited range of thermodynamic conditions. This makes out-of-distribution screening brittle: even when point predictions look plausible, it is difficult to compare candidates consistently, quantify downstream implications, or trust rankings enough to guide molecular discovery. We present a property-prediction and optimal candidate selection workflow that treats data processing, deep learning modeling, and physics-based calculations as a coupled system, linking property prediction with uncertainty estimation and physics-based filtering. By tightening the link between predicted properties and the criteria used for down-selection, the workflow supports reliable out-of-distribution ranking and enables prioritization of previously untested ionic liquid candidates with favorable predicted trade-offs. We demonstrate the application of our workflow by designing novel ionic liquids for CO2 capture from flue gas, predicting their properties and selecting Pareto-optimal candidates based on CO2 solubility, IL viscosity and working capacity.
• Abstract（参考訳）: ターゲットとなる特性を持つ合成可能な材料を設計することは、材料科学における中心的な目的の1つとして残されている。 イオン液体(IL)は、分子構造、特にカチオンとアニオンの組み合わせを変えることで、物理的および化学的性質を正確にカスタマイズすることができるため、この目的に適している。 同時に、イオン液体の現在のデータ駆動特性モデルはしばしば希少、ノイズ、不均一なデータ構造において劣化し、測定はわずかな化学空間と限られた熱力学条件のみをカバーする。 ポイント予測が妥当に見えるとしても、候補を一貫して比較したり、下流の含意を定量化したり、分子発見を導くのに十分な信頼度を付けたりするのは難しい。 本稿では,データ処理,ディープラーニングモデリング,物理に基づく計算を結合システムとして扱い,特性予測と不確実性推定と物理に基づくフィルタリングを関連付ける特性予測および最適候補選択ワークフローを提案する。 予測特性とダウンセレクションに使用される基準とのリンクを強化することにより、ワークフローは信頼性の高いアウト・オブ・ディストリビューション・ランキングをサポートし、予測されたトレードオフで未試験のイオン液体候補の優先順位付けを可能にする。 本研究では, 排ガスからCO2を捕捉する新しいイオン液体を設計し, その特性を予測し, CO2溶解度, IL粘度, 作業量に基づいてパレート最適候補を選択することにより, ワークフローの応用を実証する。

関連論文リスト

• Uncertainty-aware reinforcement learning for chemical language models [0.5156484100374058]
  強化学習(RL)はデノボ分子設計の強力なパラダイムとなっている。 我々は、不確実性を考慮したRLにより、CLMがより堅牢な化学空間を探索できることを示す。 これは、分子のスコアを損なうことなく、より信頼性の高いヒット発見につながる。
  論文  参考訳（メタデータ） (2026-06-23T14:42:46Z)
• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• Property prediction for ionic liquids without prior structural knowledge using limited experimental data: A data-driven neural recommender system leveraging transfer learning [0.34410212782758043]
  イオン液体(IL)は、従来の溶媒の代替品として出現している。 重要な熱物性を正確に予測することは 巨大な化学設計空間のために 難しいままです 本稿では、スパース実験データセットを用いて、ILの信頼性の高い特性予測を可能にするデータ駆動トランスファー学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-12T14:13:31Z)
• 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)
• Predicting Properties of Periodic Systems from Cluster Data: A Case Study of Liquid Water [0.6562256987706128]
  局所的な原子中心の機械学習電位記述子がクラスタモデルトレーニングデータからバルク特性の予測を可能にすることを示す。 密度汎関数理論を用いて, バルク液の構造的および動的性質を調べた。
  論文  参考訳（メタデータ） (2023-12-03T14:37:27Z)
• 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)
• Low cost prediction of probability distributions of molecular properties for early virtual screening [0.8702432681310399]
  本稿では, 階層的相関再構築手法を適用し, 人口統計, 財務, 天文学的データの解析に応用した。 この手法は、望まれる物理化学的/ADMET特性の可能性が低い化合物の迅速な拒絶を可能にするため、医薬化学者にとって大きな支援となる。
  論文  参考訳（メタデータ） (2022-07-21T13:29:26Z)
• 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)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)

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。