機械学習のための微分可能な熱力学的相平衡

要約: 相平衡の正確な予測は化学工学の中心的な課題であり続けています。熱力学的構造をニューラルネットワークに組み込んだ物理一貫性のある機械学習手法は、活量係数モデリングに対して最近高い性能を示しています。しかし、こうしたアプローチを、液-液平衡のような極値原理から生じる平衡データへ拡張することは依然として難しいです。本研究では、DISCOMAXを提示します。これは、トレーニング時と推論時の両方で熱力学的一貫性を保証する、微分可能な相平衡計算アルゴリズムであり、ユーザー指定の離散化のみに依存します。本手法は統計熱力学に根ざしており、実現可能状態の離散列挙と、その後のマスク付きソフトマックス集約により機能し、物理学的に一貫したエンドツーエンド学習を可能にするストレートスルー勾配推定器と共に、ニューラル g^{E}-モデルを学習します。二成分液-液平衡データに対して本手法を評価し、既存の代理モデルベースの手法を上回ること、またさまざまな種類の平衡データから学習できる一般的な枠組みを提供することを示します。