物理情報に基づく系列モデルの微調整による持続可能な冷媒の発見
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19588v1発表タイプ：クロス
概要：現在空調システムで使用されている冷媒の多くは、ハイドロフルオロカーボンなどの強力な温室効果ガスであり、段階的に削減されています。代替冷媒探索には大規模分子スクリーニングが適用されてきましたが、実際には約300種類の冷媒しか知られておらず、実験的検証のない候補もごくわずかです。この信頼できるデータの不足は、データ駆動型手法の有効性を制限しています。本研究では、機械学習と物理に基づいた帰納的バイアスを統合した生成パイプラインRefgenを紹介します。Refgenは、有効な分子生成のためのファインチューニングに加え、臨界特性、状態方程式、熱化学多項式、および完全蒸気圧縮サイクルシミュレーションのための予測モデルを組み込んでいます。これらのモデルにより、熱力学的制約下での強化学習ファインチューニングが可能になり、一貫性を維持し、効率、安全性、環境への影響のバランスが取れた分子への発見を導きます。Refgenは、学習プロセスに物理を組み込むことで、乏しいデータを効果的に活用し、既知の化合物セットを超えた新規冷媒の発見を可能にします。
原文（英語）を表示
Title (EN): Discovery of Sustainable Refrigerants through Physics-Informed RL Fine-Tuning of Sequence Models
arXiv:2509.19588v1 Announce Type: cross
Abstract: Most refrigerants currently used in air-conditioning systems, such as hydrofluorocarbons, are potent greenhouse gases and are being phased down. Large-scale molecular screening has been applied to the search for alternatives, but in practice only about 300 refrigerants are known, and only a few additional candidates have been suggested without experimental validation. This scarcity of reliable data limits the effectiveness of purely data-driven methods. We present Refgen, a generative pipeline that integrates machine learning with physics-grounded inductive biases. Alongside fine-tuning for valid molecular generation, Refgen incorporates predictive models for critical properties, equations of state, thermochemical polynomials, and full vapor compression cycle simulations. These models enable reinforcement learning fine-tuning under thermodynamic constraints, enforcing consistency and guiding discovery toward molecules that balance efficiency, safety, and environmental impact. By embedding physics into the learning process, Refgen leverages scarce data effectively and enables de novo refrigerant discovery beyond the known set of compounds.
Published: 2025-09-24 19:00 UTC