論文の概要: Accelerating the screening of amorphous polymer electrolytes by learning to reduce random and systematic errors in molecular dynamics simulations

• arxiv url: http://arxiv.org/abs/2101.05339v1
• Date: Wed, 13 Jan 2021 20:46:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 08:03:46.066731
• Title: Accelerating the screening of amorphous polymer electrolytes by learning to reduce random and systematic errors in molecular dynamics simulations
• Title（参考訳）: 分子動力学シミュレーションにおけるランダム・システマティック誤差低減のための学習によるアモルファス高分子電解質のスクリーニングの促進
• Authors: Tian Xie, Arthur France-Lanord, Yanming Wang, Jeffrey Lopez, Michael Austin Stolberg, Megan Hill, Graham Michael Leverick, Rafael Gomez-Bombarelli, Jeremiah A. Johnson, Yang Shao-Horn, Jeffrey C. Grossman
• Abstract要約: 本研究では,次世代リチウムイオン電池技術の候補となるアモルファス高分子電解質をスクリーニングすることを目的とする。 マルチタスクグラフニューラルネットワークは、大量のノイズの多い偏りのあるデータと少数の偏りのないデータから学ぶことができることを実証する。 従来の計算研究よりも桁違いに大きい6247個の高分子電解質をスクリーニングします。
• 参考スコア（独自算出の注目度）: 0.8061216572215162
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning has been widely adopted to accelerate the screening of materials. Most existing studies implicitly assume that the training data are generated through a deterministic, unbiased process, but this assumption might not hold for the simulation of some complex materials. In this work, we aim to screen amorphous polymer electrolytes which are promising candidates for the next generation lithium-ion battery technology but extremely expensive to simulate due to their structural complexity. We demonstrate that a multi-task graph neural network can learn from a large amount of noisy, biased data and a small number of unbiased data and reduce both random and systematic errors in predicting the transport properties of polymer electrolytes. This observation allows us to achieve accurate predictions on the properties of complex materials by learning to reduce errors in the training data, instead of running repetitive, expensive simulations which is conventionally used to reduce simulation errors. With this approach, we screen a space of 6247 polymer electrolytes, orders of magnitude larger than previous computational studies. We also find a good extrapolation performance to the top polymers from a larger space of 53362 polymers and 31 experimentally-realized polymers. The strategy employed in this work may be applicable to a broad class of material discovery problems that involve the simulation of complex, amorphous materials.
• Abstract（参考訳）: 機械学習は材料のスクリーニングを加速するために広く採用されている。 既存の研究の多くは、トレーニングデータは決定論的で偏見のないプロセスによって生成されると暗黙的に仮定しているが、この仮定は複雑な物質のシミュレーションには当てはまらないかもしれない。 本研究では,次世代リチウムイオン電池の候補として有望なアモルファス高分子電解質の遮蔽を目的としているが,その構造的複雑さからシミュレートするコストは極めて高い。 マルチタスクグラフニューラルネットワークは,ノイズの多いバイアスデータと少数の非バイアスデータから学習し,高分子電解質の輸送特性を予測する際にランダムな誤差と系統的な誤差を低減できることを実証する。 この観察により, シミュレーション誤差を低減させるために, 繰り返し高価なシミュレーションを行うのではなく, トレーニングデータの誤差を低減し, 複雑な材料の特性を正確に予測することができる。 このアプローチでは、以前の計算結果よりも桁違いに大きい6247個の高分子電解質の空間をスクリーン化する。 また, 53362 ポリマーと 31 個の実験的実現ポリマーの広い空間から, トップポリマーの補間性能も良好であることがわかった。 この研究で採用された戦略は、複雑な非晶質材料のシミュレーションを含む幅広い種類の物質発見問題に適用できるかもしれない。

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)
• Transferring a molecular foundation model for polymer property predictions [3.067983186439152]
  トランスモデルの自己教師付き事前トレーニングには、大規模なデータセットが必要である。 本研究では, 高分子特性を微調整し, 小分子で事前学習したトランスフォーマーを用いることで, 強化ポリマーデータセットでトレーニングしたトランスフォーマーと同等の精度が得られることを示す。
  論文  参考訳（メタデータ） (2023-10-25T19:55:00Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• Designing Machine Learning Surrogates using Outputs of Molecular Dynamics Simulations as Soft Labels [0.0]
  分子動力学シミュレーションの出力に関する統計的不確実性は、人工ニューラルネットワークのトレーニングに利用できることを示す。 推定平均出力量に不確かさを組み込むことにより,シミュレーション出力のソフトラベルを設計する。 このアプローチは、閉じ込められた電解質の分子動力学シミュレーションのためのサロゲートの設計で説明される。
  論文  参考訳（メタデータ） (2021-10-27T19:00:40Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Polymers for Extreme Conditions Designed Using Syntax-Directed Variational Autoencoders [53.34780987686359]
  現在、機械学習ツールは、望まれる特性を持つ材料候補を事実上スクリーニングするために使用される。 このアプローチは非効率であり、人間の想像力が知覚できる候補によって厳しく制約されている。 文法指向の変分オートエンコーダ(VAE)とガウス過程回帰(GPR)モデルを用いて、3つの極端な条件下で頑健なポリマーを発見する。
  論文  参考訳（メタデータ） (2020-11-04T21:36:59Z)
• Polymer Informatics: Current Status and Critical Next Steps [1.3238373064156097]
  サロゲートモデルは、インスタントプロパティ予測のために利用可能なポリマーデータに基づいて訓練される。 データ駆動型戦略は, 高分子の化学的, 物理的多様性から生じる特異な課題に, 小規模かつ大規模に対処するものである。 アプリケーションターゲットを満たす高度なAIアルゴリズムを用いて, 高分子レコメンデーションを行う逆問題の解法について検討している。
  論文  参考訳（メタデータ） (2020-11-01T14:17:22Z)
• Exploring the potential of transfer learning for metamodels of heterogeneous material deformation [0.0]
  転送学習は,低忠実度シミュレーションデータとシミュレーションデータの両方を利用することができることを示す。 我々は、大きな変形を受ける異種材料のオープンソースベンチマークデータセットであるMechanical MNISTを拡張した。 これらの低忠実度シミュレーション結果に基づいて学習したメタモデルに蓄積された知識の伝達は、高忠実度シミュレーションの結果を予測するのに使用されるメタモデルの性能を大幅に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） (2020-10-28T12:43:46Z)
• Numerical simulation, clustering and prediction of multi-component polymer precipitation [0.7349727826230861]
  多成分ポリマー系は、有機太陽電池およびドラッグデリバリー用途に関心がある。 我々は、ポリマーの沈殿をシミュレートするために、改良されたカーン・ヒリアードモデルを用いる。 計算コストを削減するため、シミュレーションしたポリマーブレンド画像のクラスタリングとそれに伴う予測に機械学習技術を適用した。
  論文  参考訳（メタデータ） (2020-07-10T09:10:17Z)

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。