論文の概要: Deep Reinforcement Learning Optimizes Graphene Nanopores for Efficient Desalination

• arxiv url: http://arxiv.org/abs/2101.07399v2
• Date: Tue, 9 Feb 2021 05:03:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-22 11:11:54.534278
• Title: Deep Reinforcement Learning Optimizes Graphene Nanopores for Efficient Desalination
• Title（参考訳）: 効率的な脱塩のためのグラフェンナノ孔の深部強化学習
• Authors: Yuyang Wang, Zhonglin Cao, Amir Barati Farimani
• Abstract要約: 本稿では,深層強化学習(drl)と畳み込みニューラルネットワーク(cnn)を組み合わせたグラフェンナノ細孔最適化フレームワークを提案する。 DRL剤は各工程で除去する原子を決定し、CNNは水淡水化のためのナノポーラスグラフェンの性能を予測することにより、ナノ孔の成長を制御します。 CNN加速脱塩性能予測からの同期フィードバックにより、当社のDRLエージェントはオンラインでナノポーラスグラフェンを効率的に最適化できます。
• 参考スコア（独自算出の注目度）: 6.648334753342398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Two-dimensional nanomaterials, such as graphene, have been extensively studied because of their outstanding physical properties. Structure and geometry optimization of nanopores on such materials is beneficial for their performances in real-world engineering applications, like water desalination. However, the optimization process often involves very large number of experiments or simulations which are expensive and time-consuming. In this work, we propose a graphene nanopore optimization framework via the combination of deep reinforcement learning (DRL) and convolutional neural network (CNN) for efficient water desalination. The DRL agent controls the growth of nanopore by determining the atom to be removed at each timestep, while the CNN predicts the performance of nanoporus graphene for water desalination: the water flux and ion rejection at a certain external pressure. With the synchronous feedback from CNN-accelerated desalination performance prediction, our DRL agent can optimize the nanoporous graphene efficiently in an online manner. Molecular dynamics (MD) simulations on promising DRL-designed graphene nanopores show that they have higher water flux while maintaining rival ion rejection rate compared to the normal circular nanopores. Semi-oval shape with rough edges geometry of DRL-designed pores is found to be the key factor for their high water desalination performance. Ultimately, this study shows that DRL can be a powerful tool for material design.
• Abstract（参考訳）: グラフェンのような2次元ナノマテリアルは、その優れた物理的性質のために広く研究されている。 このような材料上でのナノポーラスの構造と幾何最適化は、水淡水化のような実世界の工学的応用において、その性能に有益である。 しかし、最適化プロセスには、高価で時間を要する非常に多くの実験やシミュレーションが伴うことが多い。 本研究では,高効率淡水化のための深部強化学習(DRL)と畳み込みニューラルネットワーク(CNN)を組み合わせたグラフェンナノ孔最適化フレームワークを提案する。 DRL剤は、除去すべき原子を各タイミングで決定し、ナノ孔の成長を制御する一方、CNNは脱塩のためのナノ孔グラフェン(水流とイオンの拒絶)の性能を一定の外圧で予測する。 CNNによる脱塩性能予測の同期フィードバックにより、DRLエージェントはナノ多孔質グラフェンをオンラインで効率的に最適化できる。 分子動力学 (md) による有望なdrl設計グラフェンナノポーラスのシミュレーションは、通常の円形ナノポーラスに比べて競合イオン拒否率を維持しつつ高い水流束を持つことを示した。 DRLにより設計された細孔の粗い縁形状を持つ半卵形は,その脱塩性能の鍵となる。 最終的に、この研究はDRLが材料設計の強力なツールであることを示している。

関連論文リスト

• Fully Spiking Denoising Diffusion Implicit Models [61.32076130121347]
  スパイキングニューラルネットワーク(SNN)は、超高速のニューロモルフィックデバイス上で走る能力のため、かなりの注目を集めている。 本研究では,SNN内で拡散モデルを構築するために,拡散暗黙モデル (FSDDIM) を完全にスパイクする新しい手法を提案する。 提案手法は,最先端の完全スパイク生成モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-04T09:07:09Z)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• Multicone Diamond Waveguides for Nanoscale Quantum Sensing [0.5131152350448099]
  ダイヤモンド中の窒素空孔中心の電子スピンは、ナノ磁気および電場を検出するための有望な量子センサーである。 本稿では、一般的な光スピン読み出し技術における信号対雑音比(SNR)の難しさに対処する。 この構造をシミュレーションで最適化し, テーパー付き側壁を有する高さ (geq$5 $mu$m) の柱の収集効率の向上を観察する。 最適化された装置は、コリメーションの改善とエミッションの方向性の改善により、SNRを増加させる。
  論文  参考訳（メタデータ） (2023-06-05T15:28:12Z)
• Deep Learning Hydrodynamic Forecasting for Flooded Region Assessment in Near-Real-Time (DL Hydro-FRAN) [1.7942265700058984]
  本研究では,複数のディープニューラルネットワーク(DNN)アーキテクチャが流体流動モデルの最適化に適しているかを検討する。 2次元HEC-RAS流体力学モデルを用いて, 低解像度の都市環境下で数回の急激な洪水現象をシミュレーションした。 以上の結果から,DNNは洪水モデルを大幅に最適化し,ほぼリアルタイムに洪水を予測できることが示唆された。
  論文  参考訳（メタデータ） (2023-05-20T01:06:50Z)
• Neural Network Predicts Ion Concentration Profiles under Nanoconfinement [8.048439531116367]
  ナノチャネルにおけるイオン濃度分布のモデル化は、電気二重層と電気浸透流を理解する上で重要な役割を果たす。 分子動力学(MD)シミュレーションは、ナノコンフィニメント下でのイオンの挙動を研究するための重要なツールとしてしばしば用いられる。 本研究では, チャネル幅, イオンモル性, イオンタイプなど, 異なる構成のナノチャネルにおけるイオン濃度分布を予測するニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-04-10T23:51:11Z)
• 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)
• 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)
• Rapid Discovery of Graphene Nanocrystals Using DFT and Bayesian Optimization with Neural Network Kernel [0.0]
  材料発見においては、望まれる性質を持つ材料を見つけるために、大規模で高次元の化学空間をスクリーニングする必要があることが多い。 本稿では,ベイズ最適化(BO)とニューラルネットワークカーネルを併用して,スマート検索を実現する手法を提案する。
  論文  参考訳（メタデータ） (2022-08-16T09:02:16Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• 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)
• Modeling nanoconfinement effects using active learning [1.58501955991843]
  シェール層のナノ孔内におけるガス分子の空間的配置の予測は, 流体流動予測や炭化水素貯留量の推定に不可欠である。 本稿では,ナノ孔内の気体の分子配置を予測する物理に基づく深層学習サロゲートモデルの構築と訓練について述べる。
  論文  参考訳（メタデータ） (2020-05-06T04:01:53Z)

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。