.png){kind=icon}
返回
Comment on “Advancing material property prediction: using physics-informed machine learning models for viscosity”
.png){kind=icon}
OA
AI
DOI：10.1186/s13321-025-01070-9.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当数据可用性有限时，仅通过纯数据驱动的机器学习（ML）进行物性预测具有挑战性。将基于物理的建模技术整合到机器学习方法中可能会带来更好的性能。在Chew等人最近的工作（“Advancing material property prediction: using physics-informed machine learning models for viscosity”）中，将来自经典分子动力学（MD）模拟的描述符纳入定量构效关系模型，以准确预测纯液体的温度相关粘度。通过特征重要性分析，作者发现汽化热是预测粘度时最相关的描述符。在本评论中，我们希望借助Eyring的速率理论讨论这一发现的物理起源，并开发一种基于热力学架构的替代建模方法，该方法需要较少的输入数据。
Keyword:
machine learning
molecular dynamics
viscosity prediction
physics-informed models
thermodynamic modeling
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.7
论文数:
1.5K
被引数:
1.1W
机构
引用论文
Meng, C.; Griesemer, S.; Cao, D.; Seo, S.; Liu, Y. When physics meets machine learning: A survey of physics-informed machine learning. Mach. Learn. Comput. Sci. Eng. 2025, 1, 20. [Google Scholar] [CrossRef]孟C; 格里塞默尔，S.; 曹，D.; 徐，S.; 刘y。当物理遇到机器学习: 物理通知机器学习的调查。马赫学习。计算机。Sci。Eng。2025，1，20。[谷歌学者] [交叉参考].png)
IF0
PREAI
分享收藏OPLS4: Improving Force Field Accuracy on Challenging Regimes of Chemical SpaceOPLS4: 在具有挑战性的化学空间体制上提高力场精度
PREAI
分享收藏Advancing material property prediction: using physics-informed machine learning models for viscosity推进材料特性预测: 使用物理通知的机器学习模型进行粘度OAAI
OAAI分享收藏
查看更多内容