Fugu-MT 論文翻訳(概要): Towards explainable message passing networks for predicting carbon dioxide adsorption in metal-organic frameworks

論文の概要: Towards explainable message passing networks for predicting carbon dioxide adsorption in metal-organic frameworks

arxiv url: http://arxiv.org/abs/2012.03723v1
Date: Wed, 2 Dec 2020 12:54:26 GMT
ステータス: 処理完了
システム内更新日: 2021-05-25 03:41:33.886342
Title: Towards explainable message passing networks for predicting carbon dioxide adsorption in metal-organic frameworks
Title（参考訳）: 金属-有機系における二酸化炭素吸着予測のための説明可能なメッセージパッシングネットワーク
Authors: Ali Raza, Faaiq Waqar, Arni Sturluson, Cory Simon, Xiaoli Fern
Abstract要約: 金属-有機フレームワーク(英: Metal-organic framework、MOF)は、化石燃料発電所の排気ガスから二酸化炭素を捕捉するために用いられるナノ多孔質材料である。本研究では,メッセージパッシングニューラルネットワーク(MPNN)の設計とトレーニングを行い,模擬CO$をMOFで予測する。
参考スコア（独自算出の注目度）: 2.1445455835823624
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Metal-organic framework (MOFs) are nanoporous materials that could be used to capture carbon dioxide from the exhaust gas of fossil fuel power plants to mitigate climate change. In this work, we design and train a message passing neural network (MPNN) to predict simulated CO$_2$ adsorption in MOFs. Towards providing insights into what substructures of the MOFs are important for the prediction, we introduce a soft attention mechanism into the readout function that quantifies the contributions of the node representations towards the graph representations. We investigate different mechanisms for sparse attention to ensure only the most relevant substructures are identified.
Abstract（参考訳）: 金属-有機フレームワーク(metal-organic framework、mofs)は、化石燃料発電所の排出ガスから二酸化炭素を吸収して気候変動を緩和するナノ多孔質材料である。本研究では,MOFのCO$2$吸着を予測するために,メッセージパッシングニューラルネットワーク(MPNN)の設計と訓練を行う。予測にはMOFのサブ構造が重要であるかという知見を提供するため,グラフ表現に対するノード表現の寄与を定量化するためのソフトアテンション機構をリードアウト関数に導入する。我々は,最も関連する部分構造のみを同定するために,注意をそらすための異なるメカニズムについて検討する。

関連論文リスト

Graph neural network framework for energy mapping of hybrid monte-carlo molecular dynamics simulations of Medium Entropy Alloys [0.0]
本研究では, 中エントロピー合金(MEAs)のモデリングのためのグラフベース表現を提案する。ハイブリッドモンテカルロ分子動力学(MC/MD)シミュレーションは、MEAの様々な熱処理温度で熱的に安定な構造を実現するために用いられる。これらのシミュレーションはダンプファイルとポテンシャルエネルギーラベルを生成し、原子配置のグラフ表現を構築するのに使用される。これらのグラフは、システムのポテンシャルエネルギーを予測するためのグラフ畳み込みニューラルネットワーク(GCNN)ベースのMLモデルの入力として機能する。
論文参考訳（メタデータ） (2024-11-20T19:22:40Z)
MOFFlow: Flow Matching for Structure Prediction of Metal-Organic Frameworks [42.61784133509237]
金属-有機フレームワーク(英: Metal-organic framework、MOF)は、炭素捕獲や薬物の放出といった多くの分野で有望な応用を持つ結晶材料のクラスである。 ab initio計算や深い生成モデルを含む既存のアプローチは、単位セル内の多くの原子のためにMOF構造が複雑になるのに苦労している。我々はMOF構造予測に適した最初の深部生成モデルMOFFlowを紹介する。
論文参考訳（メタデータ） (2024-10-07T13:51:58Z)
Neural Message Passing Induced by Energy-Constrained Diffusion [79.9193447649011]
本稿では,MPNNのメカニズムを理解するための原理的解釈可能なフレームワークとして,エネルギー制約付き拡散モデルを提案する。データ構造が(グラフとして)観察されたり、部分的に観察されたり、完全に観察されなかったりした場合に、新しいモデルが有望な性能が得られることを示す。
論文参考訳（メタデータ） (2024-09-13T17:54:41Z)
MOFDiff: Coarse-grained Diffusion for Metal-Organic Framework Design [4.819734936375677]
金属-有機フレームワーク(MOF)は、ガス貯蔵や炭素捕獲といった応用に非常に関心がある。 CGMOF構造を生成する粗粒拡散モデルMOFDiffを提案する。有効かつ斬新なMOF構造の生成能力と優れたMOF材料の設計における有効性を評価する。
論文参考訳（メタデータ） (2023-10-16T18:00:15Z)
On the importance of catalyst-adsorbate 3D interactions for relaxed energy predictions [98.70797778496366]
吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
論文参考訳（メタデータ） (2023-10-10T14:57:04Z)
Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
論文参考訳（メタデータ） (2022-09-15T13:52:15Z)
Prediction of $\textrm{CO}_2$ Adsorption in Nano-Pores with Graph Neural Networks [2.6424064030995957]
本モデルは,吸着材料候補の原子学的記述を含む標準構造入力ファイルのみに基づく。従来の機械学習モデルの予測精度に適合する新しい手法拡張を構築した。当社のアプローチは, 産業規模でのガス捕捉プロセスの最適化に広く適用することができる。
論文参考訳（メタデータ） (2022-08-22T04:22:21Z)
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)
Building Open Knowledge Graph for Metal-Organic Frameworks (MOF-KG): Challenges and Case Studies [63.61566811532431]
金属有機フレームワーク(MOF)は、ガス貯蔵、分子分離、化学センシング、結晶および薬物のデリバリーといった応用に革命をもたらす大きな可能性を持っている。ケンブリッジ構造データベース(CSD)は10,636個のMOF結晶を報告しており、これには114,373個のMOF構造が含まれる。本稿では,MOF予測,発見,合成を容易にする知識グラフ手法の活用に向けた取り組みについて述べる。
論文参考訳（メタデータ） (2022-07-10T16:41:11Z)
Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。