論文の概要: Closed-Loop Design of Proton Donors for Lithium-Mediated Ammonia
Synthesis with Interpretable Models and Molecular Machine Learning
- arxiv url: http://arxiv.org/abs/2008.08078v2
- Date: Wed, 19 Aug 2020 17:47:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 22:32:32.950779
- Title: Closed-Loop Design of Proton Donors for Lithium-Mediated Ammonia
Synthesis with Interpretable Models and Molecular Machine Learning
- Title(参考訳): 解釈モデルと分子機械学習を用いたリチウム媒質アンモニア合成のためのプロトンドナーの閉ループ設計
- Authors: Dilip Krishnamurthy and Nikifar Lazouski and Michal L. Gala and
Karthish Manthiram and Venkatasubramanian Viswanathan
- Abstract要約: テトラヒドロフラン系電解質中のリチウムを介する電気化学的窒素還元反応に対する数種類のプロトンドナーの有効性を実験的に検討した。
我々は、Kamlet-Taftパラメータを活性陽子ドナーと不活性陽子ドナーの区別に重要なものとして、解釈可能なデータ駆動分類モデルを構築した。
Kamlet-Taftパラメータのデータセットをキュレートした後、我々はKamlet-Taftパラメータを予測するためにディープラーニングモデルを訓練した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we experimentally determined the efficacy of several classes of
proton donors for lithium-mediated electrochemical nitrogen reduction in a
tetrahydrofuran-based electrolyte, an attractive alternative method for
producing ammonia. We then built an interpretable data-driven classification
model which identified solvatochromic Kamlet-Taft parameters as important for
distinguishing between active and inactive proton donors. After curating a
dataset for the Kamlet-Taft parameters, we trained a deep learning model to
predict the Kamlet-Taft parameters. The combination of classification model and
deep learning model provides a predictive mapping from a given proton donor to
the ability to produce ammonia. We demonstrate that this combination of
classification model with deep learning is superior to a purely mechanistic or
data-driven approach in accuracy and experimental data efficiency.
- Abstract(参考訳): 本研究では, テトラヒドロフラン系電解質のリチウムによる電気化学的窒素還元に対する数種類のプロトンドナーの有効性を実験的に検討した。
次に,可溶性カムレット・タフトパラメータを同定するデータ駆動型分類モデルを構築し,プロトン供与体と非活性プロトンを識別した。
Kamlet-Taftパラメータのデータセットをキュレートした後、我々はKamlet-Taftパラメータを予測するためにディープラーニングモデルを訓練した。
分類モデルとディープラーニングモデルの組み合わせは、与えられたプロトンドナーからアンモニアを生成する能力への予測マッピングを提供する。
この分類モデルとディープラーニングの組み合わせは、純粋に機械的あるいはデータ駆動の手法よりも精度と実験データ効率が優れていることを示す。
関連論文リスト
- Online Variational Sequential Monte Carlo [56.16884466478886]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - STANLEY: Stochastic Gradient Anisotropic Langevin Dynamics for Learning
Energy-Based Models [41.031470884141775]
エネルギーベースモデル(EBM)のためのエンドツーエンド学習アルゴリズムを提案する。
本稿では、異方性段差と勾配インフォームド共分散行列に基づく新しい高次元サンプリング法を提案する。
提案手法,すなわちSTANLEYは,新しいMCMC法を用いてエネルギーベースモデルを学習するための最適化アルゴリズムである。
論文 参考訳(メタデータ) (2023-10-19T11:55:16Z) - DiffMix: Diffusion Model-based Data Synthesis for Nuclei Segmentation
and Classification in Imbalanced Pathology Image Datasets [8.590026259176806]
拡散モデルを用いた現実的なデータ合成法を提案する。
トレーニングデータの配布を拡大するために,仮想パッチを2種類生成する。
意味ラベル条件付き拡散モデルを用いて、現実的で高品質な画像サンプルを生成する。
論文 参考訳(メタデータ) (2023-06-25T05:31:08Z) - Protein Discovery with Discrete Walk-Jump Sampling [54.588524248466406]
我々はスムーズなエネルギー関数を学び、ランゲヴィン・マルコフ連鎖モンテカルロの滑らかなデータ多様体からサンプリングし、一段階のデノイングで真のデータ多様体に投影する。
我々の離散ウォーク・ジャンプサンプリング形式は、エネルギーベースモデルの最大可能性トレーニングとスコアベースモデルのサンプル品質の改善を組み合わせたものである。
抗体タンパク質生成モデルにおける本手法のロバスト性を評価し, タンパク質生成モデルに分布整合性スコアを導入する。
論文 参考訳(メタデータ) (2023-06-08T17:03:46Z) - From Static to Dynamic Structures: Improving Binding Affinity Prediction
with a Graph-Based Deep Learning Model [33.92165575735532]
タンパク質-リガンド結合親和性の正確な予測は、構造に基づく薬物設計において重要な課題である。
そこで我々は,3,218種類のタンパク質-リガンド複合体を含むMDデータセットをキュレートし,グラフに基づくディープラーニングモデルDynaformerを開発した。
ダイナフォーマーはMD軌道からタンパク質-リガンド相互作用の幾何学的特徴を学習することにより、結合親和性を正確に予測することができた。
論文 参考訳(メタデータ) (2022-08-19T14:55:12Z) - Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。
毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
論文 参考訳(メタデータ) (2021-11-30T06:10:22Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-10-18T14:43:50Z) - Fast Posterior Estimation of Cardiac Electrophysiological Model
Parameters via Bayesian Active Learning [6.413608840146938]
心臓モデルパラメータの後方確率密度関数を近似するベイズ能動学習法を提案する。
正規獲得関数を用いたベイズ能動的学習と比較して, 後方pdfの近似精度が向上したことを示す。
論文 参考訳(メタデータ) (2021-10-13T16:43:34Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z)
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。