Prediction of Diffusion Coefficients in Mixtures with Tensor Completion

Sintesi Tecnica: Predizione dei Coefficienti di Diffusione in Miscele tramite Completamento Tensoriale

Problematica
La predizione dei coefficienti di diffusione nelle miscele liquide è fondamentale per numerosi processi industriali e naturali, eppure i dati sperimentali rimangono scarsi a causa dell'enorme numero di possibili miscele e della natura laboriosa delle misurazioni della diffusione. Sebbene l'apprendimento automatico (ML) offra alternative ai modelli semi-empirici stabiliti, gli esistenti Metodi di Completamento Matriciale (MCM) sono limitati alle predizioni a temperatura singola. La loro accuratezza dipende fortemente dalla disponibilità di dati sperimentali di alta qualità per ogni specifica temperatura, e non possono estrapolare a temperature al di fuori del loro set di addestramento. Inoltre, la disponibilità di dati è spesso scarsa a temperature diverse dai canonici 298 K, ostacolando lo sviluppo di modelli affidabili per intervalli operativi industriali più ampi.

Metodologia
Gli autori propongono un Metodo di Completamento Tensoriale (TCM) ibrido progettato per predire i coefficienti di diffusione dipendenti dalla temperatura alla diluizione infinita ($D^\infty_{ij}$) in miscele binarie. La metodologia integra i seguenti componenti:

• Rappresentazione Tensoriale: A differenza degli MCM che trattano i dati come una matrice 2D (soluto $\times$ solvente), il TCM struttura i dati come un tensore di terzo ordine con dimensioni per soluti, solventi e temperatura.
• Decomposizione di Tucker: Il modello impiega una decomposizione di Tucker per fattorizzare il tensore. Utilizza vettori di caratteristiche latenti per i soluti ($u$) e i solventi ($v$), che sono indipendenti dalla temperatura, e un vettore di caratteristiche dipendente dalla temperatura ($w$). Questi vengono combinati tramite un tensore nucleo ($\kappa$) per ricostruire i coefficienti di diffusione.
• Addestramento Bayesiano Ibrido: Il TCM viene addestrato utilizzando un framework bayesiano in due fasi:
  1. Pre-addestramento: Il modello viene adattato a un tensore sintetico completamente popolato, generato dal modello semi-empirico di Stokes-Einstein–Gierer–Wirtz (SEGWE). Ciò incorpora conoscenze fisiche pregresse.
  2. Affinamento (Fine-tuning): Le distribuzioni a posteriori della fase di pre-addestramento fungono da prior informati per una seconda fase di addestramento sui dati sperimentali sparsi. Ciò consente al modello di adattarsi ai dati reali pur mantenendo i vincoli fisici.
• Apprendimento Attivo (AL): Per affrontare la scarsità di dati, gli autori impiegano un workflow di AL. Una strategia di campionamento dell'incertezza seleziona coppie soluto-solvente con la più alta incertezza di predizione per nuove misurazioni sperimentali tramite NMR a Gradiente di Campo Pulsato (PFG). È stata introdotta una regola specifica per prevenire la ridondanza, rimuovendo i composti dal pool di campionamento dopo che sono stati campionati consecutivamente troppe volte.
• Ambito dei Dati: I dati di addestramento iniziali consistevano in valori sperimentali di $D^\infty_{ij}$ a 298 K, 313 K e 333 K. Il modello è stato successivamente valutato per la sua capacità di estrapolare linearmente a temperature comprese tra 268 K e 378 K.

Contributi Chiave

1. Sviluppo di un TCM Ibrido: L'articolo introduce un nuovo metodo che estende il completamento matriciale al completamento tensoriale, consentendo la predizione dei coefficienti di diffusione attraverso un intervallo di temperatura continuo anziché a punti fissi.
2. Integrazione di Prior Fisici: Incorporando le predizioni del modello SEGWE come prior all'interno di un framework bayesiano, il metodo migliora l'accuratezza anche quando i dati sperimentali sono scarsi.
3. Integrazione dell'Apprendimento Attivo: Lo studio dimostra un workflow in cui il campionamento dell'incertezza guidato dal ML orienta l'acquisizione di nuovi dati sperimentali (tramite PFG NMR), mirando specificamente a 19 nuovi sistemi soluto-solvente per migliorare le prestazioni del modello.
4. Capacità di Estrapolazione: Il TCM estrapola con successo a temperature non presenti nel set di addestramento (268 K–378 K), una capacità assente negli MCM standard.

Risultati

• Accuratezza Predittiva: Il TCM ibrido ha superato sia il modello SEGWE stabilito che gli MCM isotermici in tutte le temperature studiate (298 K, 313 K e 333 K). Il TCM ha mostrato Errori Relativi Assoluti (ARE) inferiori e intervalli interquartili più stretti, indicando una maggiore robustezza e meno outlier.
• Impatto dell'Apprendimento Attivo: L'incorporazione dei 19 nuovi coefficienti di diffusione misurati (a 298 K, 313 K e 333 K) nel set di addestramento ha prodotto un miglioramento sostanziale nell'accuratezza predittiva del TCM.
• Generalizzazione: Il modello ha dimostrato la capacità di generalizzare a valori di temperatura continui, fornendo predizioni affidabili nell'intervallo da 268 K a 378 K, incluse temperature in cui non esistevano dati di addestramento.

Significatività
Gli autori affermano che questo lavoro evidenzia il potenziale della combinazione di metodi di apprendimento automatico efficienti dal punto di vista dei dati con l'esperimentazione adattiva. Affrontando i limiti dei modelli a temperatura singola e la scarsità di dati sperimentali, il TCM ibrido proposto offre uno strumento più affidabile per predire le proprietà di trasporto. Questo avanzamento è significativo per applicazioni che richiedono dati di diffusione attraverso ampi intervalli di temperatura, dove la misurazione sperimentale è spesso impraticabile. Lo studio valida il fatto che l'integrazione di prior fisici (SEGWE) con il ML e l'acquisizione attiva di dati può far progredire significativamente la modellazione predittiva in termodinamica.