論文の概要: Thermodynamics-Informed Learning Captures Hierarchical Hydrogen-Bond Networks in Deep Eutectic Solvents
- arxiv url: http://arxiv.org/abs/2611.06590v1
- Date: Wed, 04 Nov 2026 14:43:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.139763
- Title: Thermodynamics-Informed Learning Captures Hierarchical Hydrogen-Bond Networks in Deep Eutectic Solvents
- Title(参考訳): 深部共晶溶媒中の階層型水素結合ネットワークの熱力学インフォームドラーニングキャプチャ
- Abstract要約: TiNNは熱力学インフォームドニューラルネットワークで、階層的にHBA-HBD結合と溶質収容を表現している。
TiNNはテストセット$R2$の0.917を達成し、新しいHBA-HBDの組み合わせとスパース条件に一般化する。
- 参考スコア(独自算出の注目度): 0.38887448816036313
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep eutectic solvents (DESs) offer a tunable platform for lignocellulose refining, but their solvation behavior depends on multicomponent hydrogen-bond networks rather than individual constituent properties. We develop TiNN, a thermodynamics-informed neural network that hierarchically represents HBA-HBD association and solute accommodation through a learned free-energy pathway. Trained on 938 records, TiNN achieves a test-set $R^2$ of 0.917 and generalizes to new HBA-HBD combinations and sparse conditions. Ablation identifies solute-specific stabilization as the largest contributor to prediction accuracy, while the importance of hydrogen-bond compatibility depends on the dissolution mechanism. Experimental measurements of glucose, xylan, and Kraft lignin in acidic, basic, and neutral DESs show that TiNN reduces the geometric mean solubility error from more than 23-fold with COSMO-RS to approximately 1.5-fold. Without training on fractionation data, TiNN also distinguishes DES formulations with high and low lignin and hemicellulose removal from corn stover. These results support chemically grounded solvent screening for lignocellulose fractionation.
- Abstract(参考訳): ディープ共晶性溶媒(DES)は、リグノセルロース精製のための調整可能なプラットフォームを提供するが、その溶解挙動は個々の成分の性質ではなく、多成分の水素結合ネットワークに依存する。
我々は,HBA-HBD結合を階層的に表現し,学習された自由エネルギー経路を通じて溶質の調節を行う熱力学インフォームドニューラルネットワークであるTiNNを開発した。
938レコードでトレーニングされたTiNNは、テストセットの$R^2$ of 0.917を達成し、新しいHBA-HBDの組み合わせとスパース条件に一般化する。
アブレーションは、溶質特異的安定化を予測精度の最大の寄与であるとし、水素結合互換性の重要性は溶解機構に依存している。
酸性, 塩基性, 中性DESにおけるグルコース, キシラン, クラフトリグニンの実験的測定により, TiNNはCOSMO-RSによる23倍以上の平均溶解度誤差を約1.5倍に減少させることが示された。
分画データのトレーニング無しで、TiNNはDES製剤を高いリグニンと低いリグニンで区別し、コーンストーバーからヘミセルロースを除去する。
これらの結果は、リグノセルロース分画のための化学的に接地された溶媒スクリーニングを支持する。
関連論文リスト
- EnSol: an environment-aware graph neural network for molecular solubility prediction [44.499249024505794]
本稿では,環境に配慮した分子溶解度予測フレームワークであるEnSolを紹介する。
独立したSolPropとLeedsのベンチマークデータセットでは、EnSolはそれぞれ0.876と0.601のSpearman相関を達成した。
これらの結果から,EnSolは種々の化学系における溶解度予測および溶媒選択を確実に行うことができることが示された。
論文 参考訳(メタデータ) (2026-09-17T23:35:33Z) - ConSolv: Solvent-Conditional Machine Learning Implicit Solvent Potential [0.5010100394227908]
溶質相互作用に溶媒効果を明示的に組み込んだ溶媒条件アーキテクチャであるConSolvについて述べる。
実験的な溶媒自由エネルギーデータとab initioデータを組み合わせることで、66の有機溶媒間で伝達可能な単一の暗黙の溶媒を訓練する。
このモデルは、クロロホルム中の$$$-フルオロヒドリン分子の実験核磁気共鳴(NMR)データと密に一致している。
論文 参考訳(メタデータ) (2026-06-23T13:59:13Z) - Coherence Dispersion and Temperature Scales in a Quantum-Biology Toy Model [51.56484100374058]
量子コヒーレンス(英語版)が任意の量子状態のいくつかの外対角要素の間にどのように散乱するかを考察する。
平衡外システムに焦点をあてることで、我々は開発されたフレームワークを使用して、セル・エネルギティクスの単純化されたモデルに対処する。
論文 参考訳(メタデータ) (2025-12-13T14:21:34Z) - Solvaformer: an SE(3)-equivariant graph transformer for small molecule solubility prediction [2.274456001127632]
Solvaformer は、独立なSE(3)対称性を持つ複数の分子として解をモデル化する幾何学的なグラフ変換器である。
我々はSolvaformerに、量子力学データと実験的測定に基づいて訓練する交互バッチレギュレータを用いて、溶解度(log S)と溶解自由エネルギーの両方を予測するように訓練する。
Solvaformerは学習したモデルの中で最強の総合性能を達成し、DFT支援勾配ブースティングベースラインにアプローチする。
論文 参考訳(メタデータ) (2025-11-12T22:12:12Z) - Assessing the Limits of Graph Neural Networks for Vapor-Liquid Equilibrium Prediction: A Cryogenic Mixture Case Study [3.765010805872486]
本研究では、GERG-2008/CoolPropデータに基づいてトレーニングされた構造対応グラフニューラルネットワーク(GNN; DimeNet++)が、状態方程式(EoS)の実用的なサロゲートとして機能するかどうかを問う。
我々は90~200K以上の3次データセットと100バーへの圧力を生成し、15%密度フィルタ(5,200状態を1,516に還元する)でキュレートし、各状態と軽量な分子力学スナップショットを組み合わせて構造特性の供給を行う。
我々は、構成上、この研究におけるサロゲートは、VLEに対して平衡対応可能ではなく、実行時利益を提供しない、と結論づける。
論文 参考訳(メタデータ) (2025-09-10T16:10:58Z) - Clarifying the Ti-V Phase Diagram Using First-Principles Calculations and Bayesian Learning [42.418429168532406]
チタン-バナジウム(Ti-V)二元合金が体中心立方晶(BCC)の相違点を示すか、あるいは完全に可溶であるかについては、対立する実験は意見が一致しない。
先導的な仮説は、合金の調製時の酸素汚染の相違によるものである。
我々は、活発に訓練されたモーメント図と自由エネルギー表面の推測を結合するab initio + machine-learningワークフローを使用する。
論文 参考訳(メタデータ) (2025-06-21T14:09:15Z) - Manifold-Constrained Nucleus-Level Denoising Diffusion Model for Structure-Based Drug Design [81.95343363178662]
原子は分離違反を避けるために 最小の対距離を維持する必要がある
NucleusDiff は原子核と周囲の電子雲の間の相互作用を距離制約によってモデル化する。
違反率は1000%まで減少し、結合親和性は22.16%まで向上し、構造に基づく薬物設計の最先端モデルを上回る。
論文 参考訳(メタデータ) (2024-09-16T08:42:46Z) - Comparison of two artificial neural networks trained for the surrogate
modeling of stress in materially heterogeneous elastoplastic solids [0.0]
この研究の目的は、2つの人工知能ニューラルネットワーク(ANN)の適用の体系的比較である。
第1のANNは、周期データのためのUNetベースの畳み込みニューラルネットワーク(CNN)であり、第2のANNはフーリエニューラル演算子(FNO)に基づいている。
テストデータセットのマイクロ構造では、FNOベースのtANN(単にFNO)は、UNetベースのものよりも正確である。
論文 参考訳(メタデータ) (2022-10-31T00:45:36Z) - 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) - Extreme learning machine-based model for Solubility estimation of
hydrocarbon gases in electrolyte solutions [1.1988695717766686]
メタン, エタン, プロパン, ブタンなどの炭化水素ガスに対して, 新しい溶解度推定ツールが提案されている。
ELM出力と1175の溶解点を持つ総合的な実データバンクを比較すると、R2乗値は0.985と0.987である。
論文 参考訳(メタデータ) (2019-12-31T19:23:22Z)
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。