基于张量完成预测混合物中的扩散系数
机器学习
2026-02-27 v1
摘要
预测混合物中的扩散系数对于许多应用至关重要，因为实验数据仍稀缺，机器学习（ML）为 established 的半经验模型提供了有前景的替代方案。在ML模型中，矩阵完成方法（MCM）在预测包括二元混合物扩散系数在内的热力学性质方面已证明有效。然而，MCM仅限于单温度预测，其准确性强烈依赖于每个感兴趣温度高质量实验数据的可用性。本文通过提出一种混合张量完成方法（TCM）来解决这一挑战，用于预测二元混合物中无稀释扩散系数的温度依赖性。TCM采用 Tucker 分解，并在298 K、313 K和333 K处二元体系中无稀释扩散系数的实验数据上联合训练。半经验的SEGWE模型的结果作为贝叶斯训练框架中的先验知识。TCM随后线性外推至268 K至378 K之间的任何温度，实现了在所研究的所有温度上显著优于 established 模型的预测准确性。为进一步提升预测性能，实验数据库通过主动学习（AL）策略扩充，针对脉冲场梯度（PFG）NMR测量获取新的扩散数据。测量了298 K、313 K和333 K处19种溶质+溶剂体系中无稀释扩散系数。将这些结果纳入后，TCM的预测准确性得到显著提升。这些发现凸显了将数据高效ML方法与自适应实验实践相结合，以推动运输性质的预测建模的潜力。
引用
@article{arxiv.2602.23142,
title = {Prediction of Diffusion Coefficients in Mixtures with Tensor Completion},
author = {Zeno Romero and Kerstin Münnemann and Hans Hasse and Fabian Jirasek},
journal= {arXiv preprint arXiv:2602.23142},
year = {2026}
}