論文の概要: Predictive Synthesis of Quantum Materials by Probabilistic Reinforcement
Learning
- arxiv url: http://arxiv.org/abs/2009.06739v1
- Date: Mon, 14 Sep 2020 20:50:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 13:19:02.791579
- Title: Predictive Synthesis of Quantum Materials by Probabilistic Reinforcement
Learning
- Title（参考訳）: 確率的強化学習による量子材料の予測合成
- Authors: Pankaj Rajak, Aravind Krishnamoorthy, Ankit Mishra, Rajiv K. Kalia,
Aiichiro Nakano and Priya Vashishta
- Abstract要約: 本研究では, 半超電導単層MoS$_2$の量子材料に対する最適合成スケジュールの予測に強化学習を用いる。
このモデルは、多相ヘテロ構造を含む複雑な構造の合成のためのプロファイルを予測するために拡張することができる。
- 参考スコア（独自算出の注目度）: 1.4680035572775534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predictive materials synthesis is the primary bottleneck in realizing new
functional and quantum materials. Strategies for synthesis of promising
materials are currently identified by time-consuming trial and error approaches
and there are no known predictive schemes to design synthesis parameters for
new materials. We use reinforcement learning to predict optimal synthesis
schedules, i.e. a time-sequence of reaction conditions like temperatures and
reactant concentrations, for the synthesis of a prototypical quantum material,
semiconducting monolayer MoS$_{2}$, using chemical vapor deposition. The
predictive reinforcement leaning agent is coupled to a deep generative model to
capture the crystallinity and phase-composition of synthesized MoS$_{2}$ during
CVD synthesis as a function of time-dependent synthesis conditions. This model,
trained on 10000 computational synthesis simulations, successfully learned
threshold temperatures and chemical potentials for the onset of chemical
reactions and predicted new synthesis schedules for producing well-sulfidized
crystalline and phase-pure MoS$_{2}$, which were validated by computational
synthesis simulations. The model can be extended to predict profiles for
synthesis of complex structures including multi-phase heterostructures and can
also predict long-time behavior of reacting systems, far beyond the domain of
the MD simulations used to train the model, making these predictions directly
relevant to experimental synthesis.
- Abstract（参考訳）: 予測材料合成は、新しい機能性および量子材料の実現における主要なボトルネックである。
有望な材料を合成するための戦略は現在、時間を要する試行と誤差のアプローチによって特定されており、新しい材料の合成パラメータを設計するための既知の予測スキームは存在しない。
我々は、化学気相蒸着を用いた半伝導単層MoS$_{2}$の合成において、温度や反応濃度などの反応条件の時間列の最適合成スケジュールを予測するために強化学習を用いる。
CVD合成におけるMoS$_{2}$の結晶性および相合成を時間依存合成条件の関数として捉えるために、予測強化型傾動剤を深部生成モデルに結合する。
このモデルは10000の計算合成シミュレーションに基づいて訓練され、化学反応の開始のための閾値温度と化学ポテンシャルを学習し、よく硫化された結晶および相純mos$_{2}$を生成するための新しい合成スケジュールを予測し、計算合成シミュレーションによって検証された。
このモデルは、多相ヘテロ構造を含む複雑な構造の合成のプロファイルを予測するために拡張することができ、モデルトレーニングに使用されるmdシミュレーションの領域をはるかに超えて、反応系の長時間の挙動を予測することも可能であり、これらの予測は実験合成に直接関係している。
関連論文リスト
- Large Language Model-Guided Prediction Toward Quantum Materials Synthesis [1.3615110145289984]
無機材料の合成経路を予測するために,大規模言語モデル (LLM) を用いたフレームワークを提案する。
LHS2RHS, RHS2LHS, RHS2LHS, RHS2LHS, TGT2CEQの3つのモデルからなる。
論文 参考訳（メタデータ） (2024-10-28T12:50:46Z) - BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。
我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。
この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
論文 参考訳（メタデータ） (2024-08-19T05:17:40Z) - UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment [51.49238426241974]
本稿では,テンプレートのないグラフ・ツー・シーケンスパイプラインであるUAlignを紹介した。
グラフニューラルネットワークとトランスフォーマーを組み合わせることで、分子固有のグラフ構造をより効果的に活用することができる。
論文 参考訳（メタデータ） (2024-03-25T03:23:03Z) - Bespoke Nanoparticle Synthesis and Chemical Knowledge Discovery Via
Autonomous Experimentations [6.544041907979552]
本稿では,光学特性を目標としたナノ粒子(NP)の設計のための自律的な実験プラットフォームについて報告する。
このプラットフォームは、AI最適化モデリングのフィードバックに基づいて、NPのバッチ合成モジュールとUV-Vis分光モジュールの間をクローズループで動作させる。
優れた材料開発効率に加えて、合成変数の解析により、Ag NP合成におけるクエン酸の効果を含む新しい化学が明らかにされる。
論文 参考訳（メタデータ） (2023-09-01T09:15:04Z) - Models Matter: The Impact of Single-Step Retrosynthesis on Synthesis
Planning [0.8620335948752805]
再合成は、化学化合物を段階的に分子前駆体に分解する。
その2つの主要な研究方向、単段階の逆合成予測と多段階の合成計画は本質的に相互に絡み合っている。
単一ステップモデルを選択することで,合成計画の総合的な成功率を最大28%向上させることができることを示す。
論文 参考訳（メタデータ） (2023-08-10T12:04:47Z) - Machine-Learning-Optimized Perovskite Nanoplatelet Synthesis [55.41644538483948]
総合成量200のCsPbBr3ナノプレート(NPL)の品質向上のためのアルゴリズムを開発した。
このアルゴリズムは、前駆率に基づいて、NPL分散のPL放出最大値を予測することができる。
論文 参考訳（メタデータ） (2022-10-18T11:54:11Z) - Root-aligned SMILES for Molecular Retrosynthesis Prediction [31.818364437526885]
再合成予測は有機合成の基本的な問題であり、標的分子の合成に使用できる前駆体分子を発見することが目的である。
既存の計算逆合成手法の一般的なパラダイムは、列から列への変換問題として再合成予測を定式化する。
本稿では,製品と反応するSMILES間の一対一マッピングを厳密に整列するルート整列SMILES(R-SMILES)を提案する。
論文 参考訳（メタデータ） (2022-03-22T03:50:04Z) - Amortized Tree Generation for Bottom-up Synthesis Planning and
Synthesizable Molecular Design [2.17167311150369]
ターゲット分子の埋め込みを条件としたマルコフ決定過程として,合成経路を生成するための償却アプローチを報告した。
提案手法により,最適化された条件付き符号からデコードすることで,ボトムアップ方式で合成計画を実行し,合成可能な分子を設計することができる。
論文 参考訳（メタデータ） (2021-10-12T22:43:25Z) - RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。
我々の方法はレトロシンセシスを2段階に分解する。
最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
論文 参考訳（メタデータ） (2020-11-04T04:35:34Z) - Learning Graph Models for Retrosynthesis Prediction [90.15523831087269]
再合成予測は有機合成の基本的な問題である。
本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。
提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
論文 参考訳（メタデータ） (2020-06-12T09:40:42Z) - Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。
本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-06T05:36:57Z)
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。