論文の概要: Topological Descriptors Help Predict Guest Adsorption in Nanoporous Materials

• arxiv url: http://arxiv.org/abs/2001.05972v3
• Date: Fri, 6 Mar 2020 23:19:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 01:05:16.253807
• Title: Topological Descriptors Help Predict Guest Adsorption in Nanoporous Materials
• Title（参考訳）: ナノ多孔質材料のゲスト吸着予測を支援するトポロジカルディスクリプタ
• Authors: Aditi S. Krishnapriyan, Maciej Haranczyk, Dmitriy Morozov
• Abstract要約: 持続的ホモロジーを用いて様々なスケールでナノ多孔質材料の幾何学を記述する。 トポロジカルディスクリプタを従来の構造特徴と組み合わせて,予測タスクに対するそれぞれの相対的重要性について検討する。
• 参考スコア（独自算出の注目度）: 0.09668407688201358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning has emerged as an attractive alternative to experiments and simulations for predicting material properties. Usually, such an approach relies on specific domain knowledge for feature design: each learning target requires careful selection of features that an expert recognizes as important for the specific task. The major drawback of this approach is that computation of only a few structural features has been implemented so far, and it is difficult to tell a priori which features are important for a particular application. The latter problem has been empirically observed for predictors of guest uptake in nanoporous materials: local and global porosity features become dominant descriptors at low and high pressures, respectively. We investigate a feature representation of materials using tools from topological data analysis. Specifically, we use persistent homology to describe the geometry of nanoporous materials at various scales. We combine our topological descriptor with traditional structural features and investigate the relative importance of each to the prediction tasks. We demonstrate an application of this feature representation by predicting methane adsorption in zeolites, for pressures in the range of 1-200 bar. Our results not only show a considerable improvement compared to the baseline, but they also highlight that topological features capture information complementary to the structural features: this is especially important for the adsorption at low pressure, a task particularly difficult for the traditional features. Furthermore, by investigation of the importance of individual topological features in the adsorption model, we are able to pinpoint the location of the pores that correlate best to adsorption at different pressure, contributing to our atom-level understanding of structure-property relationships.
• Abstract（参考訳）: 機械学習は、材料特性を予測する実験やシミュレーションの魅力的な代替品として登場した。 それぞれの学習ターゲットは、専門家が特定のタスクにとって重要であると認識する機能の慎重に選択する必要があります。 このアプローチの大きな欠点は、今のところいくつかの構造的特徴の計算しか実装されておらず、特定のアプリケーションにとってどの機能が重要なのかを事前に知ることは困難である。 後者の問題は、ナノポーラス材料におけるゲストの取り込み予測者に対して実証的に観察され、局所的および大域的ポーロシティの特徴がそれぞれ低圧および高圧力下で支配的記述子となる。 トポロジカルデータ解析ツールを用いた材料の特徴表現について検討する。 具体的には、持続的ホモロジーを用いて様々なスケールのナノ多孔質材料の幾何学を記述する。 トポロジカルディスクリプタを従来の構造特徴と組み合わせて,予測タスクに対するそれぞれの相対的重要性について検討する。 1-200バールの範囲の圧力に対して,ゼオライト中のメタンの吸着を予測して,この特徴表現の応用を実証する。 以上の結果から, トポロジカルな特徴が構造的特徴と相補的な情報を捉えていることが示唆された。これは低圧での吸着には特に重要であり, 従来の特徴には特に難しい課題である。 さらに, 吸着モデルにおける個々のトポロジ的特徴の重要さを調べた結果, 異なる圧力下での吸着に最も相関する細孔の位置を特定でき, 構造・物性関係の原子レベルでの理解に寄与することがわかった。

関連論文リスト

• A Pipeline for Data-Driven Learning of Topological Features with Applications to Protein Stability Prediction [0.0]
  生体分子データの解釈可能なトポロジ的特徴を学習するためのデータ駆動手法を提案する。 我々は、自動学習された構造的特徴を利用するモデルと、サブジェクト・マッター・エキスパート(SME)によって決定された大規模生物物理学的特徴に基づいて訓練されたモデルとを比較した。 本モデルでは,タンパク質構造のトポロジ的特徴のみに基づいて,SMEモデルの性能の92%～99%を平均精度スコアで達成した。
  論文  参考訳（メタデータ） (2024-08-09T03:52:27Z)
• Predicting Many Properties of Crystals by a Single Deep Learning Model [2.7892599615881144]
  本稿では,空間群,要素,単位セル情報を統合したトランスフォーマーベースのフレームワークであるCrystalBERTを紹介する。 これらの特徴を全て取り入れることで、以前の研究を超越し、以前に分類されたトポロジカルな資料を同定し、トポロジカルな分類において91%の精度を達成できる。
  論文  参考訳（メタデータ） (2024-05-29T09:56:00Z)
• Keypoint Description by Symmetry Assessment -- Applications in Biometrics [49.547569925407814]
  有限展開によりキーポイント周辺の近傍を記述するモデルに基づく特徴抽出器を提案する。 そのような関数の等曲線は、原点(キーポイント)と推定されたパラメータがよく定義された幾何学的解釈を持つように、高度に対称な w.r.t である。
  論文  参考訳（メタデータ） (2023-11-03T00:49:25Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• What Image Features Boost Housing Market Predictions? [81.32205133298254]
  本稿では,予測アルゴリズムにおける効率的な数値包摂のための視覚特徴抽出手法を提案する。 本稿では,シャノンのエントロピー,重心計算,画像分割,畳み込みニューラルネットワークなどの手法について論じる。 ここで選択された40の画像特徴のセットは、かなりの量の予測能力を持ち、最も強力なメタデータ予測器よりも優れています。
  論文  参考訳（メタデータ） (2021-07-15T06:32:10Z)
• Smart Vectorizations for Single and Multiparameter Persistence [8.504400925390296]
  本稿では,single and multi-persistence persistenceのための2つの新しいトポロジ的サマリー,すなわち saw 関数と multi-persistence grid 関数を導入する。 これらの新しい位相的要約は、濾過によって決定される進化する部分空間の複雑性測度と見なすことができる。 新しいソーおよびマルチ永続グリッド関数の安定性に関する理論的保証を導出し、グラフ分類タスクへの適用性を示す。
  論文  参考訳（メタデータ） (2021-04-10T15:09:31Z)
• Machine learning with persistent homology and chemical word embeddings improves prediction accuracy and interpretability in metal-organic frameworks [0.07874708385247352]
  材料の構造と化学の複雑な表現をキャプチャする記述子を自動的に生成するエンド・ツー・エンドの機械学習モデルを提案する。 物質系から直接、幾何学的および化学的情報をカプセル化する。 提案手法は, 対象物間での精度, 転送可能性の両面において, 一般的に用いられている手作業による特徴量から構築したモデルに比べ, かなり改善されている。
  論文  参考訳（メタデータ） (2020-10-01T16:31:46Z)
• The role of feature space in atomistic learning [62.997667081978825]
  物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。 異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。 原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
  論文  参考訳（メタデータ） (2020-09-06T14:12:09Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。