論文の概要: Machine Learning Enabled Discovery of Application Dependent Design
Principles for Two-dimensional Materials
- arxiv url: http://arxiv.org/abs/2003.13418v1
- Date: Thu, 19 Mar 2020 23:13:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 05:05:13.607953
- Title: Machine Learning Enabled Discovery of Application Dependent Design
Principles for Two-dimensional Materials
- Title（参考訳）: 機械学習による2次元材料の応用依存設計原理の発見
- Authors: Victor Venturi and Holden Parks and Zeeshan Ahmad and
Venkatasubramanian Viswanathan
- Abstract要約: 我々は熱力学、機械的、電子的特性を予測するためにモデルのアンサンブルを訓練する。
ほぼ2つの非結合なアプリケーションに対して,45,000近い構造体をスクリーニングする。
有機-無機ペロブスカイトと鉛とスズとのハイブリッドが太陽電池の応用に好適であることが判明した。
- 参考スコア（独自算出の注目度）: 1.1470070927586016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The large-scale search for high-performing candidate 2D materials is limited
to calculating a few simple descriptors, usually with first-principles density
functional theory calculations. In this work, we alleviate this issue by
extending and generalizing crystal graph convolutional neural networks to
systems with planar periodicity, and train an ensemble of models to predict
thermodynamic, mechanical, and electronic properties. To demonstrate the
utility of this approach, we carry out a screening of nearly 45,000 structures
for two largely disjoint applications: namely, mechanically robust composites
and photovoltaics. An analysis of the uncertainty associated with our methods
indicates the ensemble of neural networks is well-calibrated and has errors
comparable with those from accurate first-principles density functional theory
calculations. The ensemble of models allows us to gauge the confidence of our
predictions, and to find the candidates most likely to exhibit effective
performance in their applications. Since the datasets used in our screening
were combinatorically generated, we are also able to investigate, using an
innovative method, structural and compositional design principles that impact
the properties of the structures surveyed and which can act as a generative
model basis for future material discovery through reverse engineering. Our
approach allowed us to recover some well-accepted design principles: for
instance, we find that hybrid organic-inorganic perovskites with lead and tin
tend to be good candidates for solar cell applications.
- Abstract（参考訳）: 高性能候補2D材料の大規模探索は、いくつかの単純な記述子(通常は第一原理密度汎関数理論計算)の計算に限られる。
本研究では,結晶グラフ畳み込みニューラルネットワークを平面周期性を持つ系に拡張・一般化し,熱力学的,機械的,電子的性質を予測するためのモデルのアンサンブルを訓練することにより,この問題を軽減する。
この手法の有用性を実証するために, 機械的にロバストな複合材料と太陽光発電の2つの応用について, 約45,000の構造物のスクリーニングを行った。
提案手法に関する不確実性の解析は,ニューラルネットワークのアンサンブルがよく校正されており,精度の高い第一原理密度汎関数理論計算による誤差と同等であることを示している。
モデルのアンサンブルにより、予測の信頼性を測り、アプリケーションの効果的な性能を示す可能性が最も高い候補を見つけることができます。
スクリーニングに用いたデータセットは組合せ的に生成されるため、調査対象の構造の性質に影響を与え、リバースエンジニアリングによる将来の材料発見のための生成モデルベースとして機能する革新的な手法、構造および構成設計原則を用いて、調査も可能である。
例えば、鉛とスズを併用した有機-無機ペロブスカイトが太陽電池の応用に良い候補になる傾向があることを発見したのです。
関連論文リスト
- Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - SPIN: SE(3)-Invariant Physics Informed Network for Binding Affinity Prediction [3.406882192023597]
タンパク質-リガンド結合親和性の正確な予測は、薬物開発に不可欠である。
伝統的な手法は、しばしば複合体の空間情報を正確にモデル化するのに失敗する。
この課題に適用可能な様々な帰納バイアスを組み込んだモデルSPINを提案する。
論文 参考訳（メタデータ） (2024-07-10T08:40:07Z) - Gradient-based Design of Computational Granular Crystals [0.22499166814992436]
本研究では,物質中の波動伝搬の時間的ダイナミクスとリカレントニューラルネットワークの計算力学の類似性を構築し,高調波駆動結晶のための勾配最適化フレームワークを開発する。
本研究は, メタマテリアルの内在的設計空間を大きく拡張するグラデーションに基づく最適化手法であることを示す。
論文 参考訳（メタデータ） (2024-04-07T06:24:47Z) - Adapting OC20-trained EquiformerV2 Models for High-Entropy Materials [0.5812062802134551]
オープン触媒プロジェクトから事前学習したEquiformerV2モデルの調整および微調整を行った結果について述べる。
結合部位の局所環境に基づいてエネルギーフィルタを適用することにより、ゼロショット推論が著しく改善される。
また、一般的な機械学習の可能性を想定したEquiformerV2は、より小さく、より焦点を絞った直接推論モデルに通知することができる。
論文 参考訳（メタデータ） (2024-03-14T18:59:54Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳（メタデータ） (2023-10-18T15:49:39Z) - Band-gap regression with architecture-optimized message-passing neural
networks [1.9590152885845324]
AFLOWデータベースからの密度汎関数理論データから材料を金属または半導体/絶縁体として分類するMPNNを訓練する。
次に,MPNNのモデル構造とハイパーパラメータ空間を探索し,非金属と同定された材料のバンドギャップを予測する。
検索から得られる最高のパフォーマンスモデルはアンサンブルにまとめられ、既存のモデルよりもはるかに優れています。
論文 参考訳（メタデータ） (2023-09-12T16:13:10Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。
具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文 参考訳（メタデータ） (2021-11-10T21:19:02Z) - 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) - 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) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳（メタデータ） (2020-05-27T13:32:10Z)
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。