合成与测试条件的自然语言嵌入增强玻璃溶解预测
材料科学
2026-04-16 v1
摘要
玻璃的长期化学耐久性对于 immobilizing（固定）核废料至关重要，由玻璃属性（如组成、表面几何形状）以及外部因素（如热力学条件和周围介质）共同决定。尽管已有数十年的研究，仍不存在模型来考虑这些内在和外在因素来预测玻璃溶解速率。为此，我们评估了捕获合成和测试条件的自然语言嵌入在增强玻璃溶解预测中的作用。在约700个从文献中提取的手工标注数据点上进行评估，我们发现包括自然语言嵌入的机器学习模型（NLP-ML）在预测玻璃溶解速率方面优于经典机器学习模型。此外，我们开发了一个可推广的机器学习模型，通过将组成特征转换为玻璃的结构描述符，同时结合 NLP 派生的特征，实现对训练数据中完全不存在的新元素组成的玻璃的外推能力。在与训练数据集仅包含28个化学组成元素相比，包含34个化学组成元素的全新数据集上进行评估，我们证明了该模型确实具备对超出分布（out-of-distribution）玻璃组成的一般化能力。总体而言，这一集成方法为高保真度玻璃溶解预测和开发针对可持续核废料管理所定制耐久性的新型玻璃组成提供了一条途径。
引用
@article{arxiv.2604.14078,
title = {Natural Language Embeddings of Synthesis and Testing conditions Enhance Glass Dissolution Prediction},
author = {Sajid Mannan and K. Sidharth Nambudiripad and Indrajeet Mandal and Nitya Nand Gosvami and N. M. Anoop Krishnan},
journal= {arXiv preprint arXiv:2604.14078},
year = {2026}
}