Pure-substance viscosity · Single temperature
分子構造を表すSMILESと温度を入力し、単一物質の粘度を推算します。
Enter a molecular SMILES string and temperature to estimate the dynamic viscosity of one pure substance.
軽量Webアプリ版 (低精度) Lightweight web app (Low accuracy)
Try the model
RDKitを利用してSMILESから分子記述子を計算し推算を行います。
Molecular descriptors are calculated from the SMILES string using RDKit and used for evaluation.
予測粘度Predicted dynamic viscosity
Loading—mPa·s (cP)
Before use
01
ウェブ版モデルは、Chewらの論文「Advancing material property prediction: using physics-informed machine learning models for viscosity」のSupporting Information（SI）で公開された粘度データのみを用いて再学習しています。
The web model was retrained exclusively on the viscosity data published in the Supporting Information (SI) for Chew et al., “Advancing material property prediction: using physics-informed machine learning models for viscosity.”
02
本ツールまたはGitHub版を研究で利用した場合は、以下のプレプリントを引用してください。
If you use this tool or the GitHub version in your research, please cite the following preprint.
Suggested citation
Murakami, Y. Physics-guided neural networks for pure-liquid viscosity prediction: Controlling structural and temperature extrapolation through derivative regularization. ChemRxiv (2026). https://doi.org/10.26434/chemrxiv.15006431/v1 (preprint)
03
より高精度なPython版モデルと、その学習・推論用コードをGitHubで公開しています。公開済みの事前学習モデルを用いた推算に加え、独自のデータセットを用いた再学習にも対応しています。
The higher-accuracy Python models and their training and inference code are available on GitHub. The repository supports prediction with the released pretrained models as well as retraining on a user-provided dataset.
04
このウェブ版は、論文で用いたモデルとは学習データが異なります。論文中の性能評価を、そのまま本ツールの精度として解釈することはできません。
The web model was trained on a different dataset from the model evaluated in the manuscript. Therefore, the performance reported in the manuscript should not be interpreted as the expected accuracy of this tool.
05
本ツールは、単一の純物質・単一温度を対象とした研究用の簡易推算ツールです。入力時に温度範囲（200–450 K）、学習データに含まれる元素、分子量範囲を確認し、推算値が学習データの粘度範囲から大きく外れる場合は結果を表示しません。混合物、塩、複数成分SMILESには対応していません。また、入力温度において対象物質が液相であるかは自動判定しません。設計や安全性の判断には実測値をご利用ください。
This tool provides a simplified research-use estimate of the dynamic viscosity of a single pure substance at a single temperature. It checks the input temperature range (200–450 K), whether the constituent elements are represented in the training data, and the molecular-weight range. Predictions that fall far outside the viscosity range of the training data are not displayed. Mixtures, salts, and multi-component SMILES are not supported. The tool also does not determine whether the substance is in the liquid phase at the specified temperature. Use experimental data for design and safety-related decisions.
06
ウェブ版では、化合物が学習データに含まれるかどうかに応じて異なる再学習モデルを使用します。学習済物質の推算には、指定温度が測定温度範囲の内側か外側かにかかわらず、物理化学記述子、構造カウント、トポロジカル指標から選択した23個のRDKit.js互換分子記述子と逆温度を入力として使用します。未学習物質の推算には、8個の物理化学記述子と逆温度を使用します。Python版RDKitを用いるGitHubモデルとは入力記述子と学習データが異なるため、予測値と精度は一致しません。SMILESから分子記述子への変換にはRDKit.jsを使用しています。
The web version uses different retrained models depending on whether the substance is represented in the training dataset. Predictions for dataset-covered substances use inverse temperature and 23 RDKit.js-compatible molecular descriptors selected from physicochemical descriptors, structural counts, and topological indices, regardless of whether the specified temperature is inside or outside the measured range. Predictions for unseen substances use inverse temperature and eight physicochemical descriptors. The input descriptors and training data differ from those of the GitHub model, which uses Python RDKit; consequently, the predictions and accuracy may differ. RDKit.js is used to convert SMILES strings into molecular descriptors.
