少量サンプルサイズ下での熱力学的特性予測のためのマルチタスクフィードフォワードニューラルネットワーク

科学分野:

• 計算化学; 化学工学; 材料科学

背景:

• 正確な熱力学的特性は、危険な化学物質の信頼性の高い爆発モデリングにとって非常に重要です。; 実験データの不足により、これらの特性の予測アプローチが必要とされています。; 既存の機械学習定数構造-特性関係（ML-QSPR）法は、マルチタスク精度、特徴の冗長性、および限定的なデータでの一般化において課題に直面しています。

研究 の 目的:

• 正確な熱力学的特性予測のための新しい機械学習モデルを開発すること、特に小規模サンプル条件下での予測精度を向上させること。; 現在のML-QSPR法（予測精度、特徴選択、一般化など）の限界に対処すること。; 熱力学的特性予測の改善を通じて、爆発モデリングの信頼性を高めること。

主な方法:

• 熱力学的に制約されたマルチタスク学習ネットワーク（ThermoMTLnet）を提案しました。; マルチタスク学習を活用して、熱力学的特性間の相関関係を捉えました。; アンサンブル学習を特徴量エンジニアリングに活用して、過学習を軽減しました。; 物理情報付きニューラルネットワーク（PINN）を介して、物理化学的制約を損失関数に組み込みました。

主要な成果:

• ThermoMTLnetは、従来のMLモデルや単一タスクネットワークと比較して優れたパフォーマンスを示しました。; 300サンプルデータセットで、ベースラインと比較して0.23%高いピアソン相関係数（PCC）と2.44%低い平均絶対誤差（MAE）を達成しました。; より大きなデータセットでも一貫した優位性を維持し、堅牢な一般化能力を示しました。

結論:

• ThermoMTLnetは、特に限定的なデータで熱力学的特性を効果的に予測します。; このモデルのアプローチは、マルチタスク学習と物理情報付き制約を通じて、構造-特性関係モデリングを強化します。; この研究は、爆発モデリングと化学物質の安全性評価の改善に役立つ貴重なツールを提供します。