論文の概要: Using Machine Learning and Data Mining to Leverage Community Knowledge
for the Engineering of Stable Metal-Organic Frameworks
- arxiv url: http://arxiv.org/abs/2106.13327v1
- Date: Thu, 24 Jun 2021 21:35:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-28 12:54:44.477002
- Title: Using Machine Learning and Data Mining to Leverage Community Knowledge
for the Engineering of Stable Metal-Organic Frameworks
- Title（参考訳）: 機械学習とデータマイニングによる安定金属有機フレームワークのエンジニアリングのためのコミュニティ知識の活用
- Authors: Aditya Nandy, Chenru Duan, and Heather J. Kulik
- Abstract要約: MOFは、ガス分離から安定性まで、エンジニアリング上の課題を約束している。
限界を克服するために、我々はMOFの安定性の重要な側面について数千のレポートを抽出した。
自然言語処理と自動画像解析を用いて,2,000以上の溶媒除去測定値と3,000以上の熱温度を得る。
- 参考スコア（独自算出の注目度）: 0.9187159782788578
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Although the tailored metal active sites and porous architectures of MOFs
hold great promise for engineering challenges ranging from gas separations to
catalysis, a lack of understanding of how to improve their stability limits
their use in practice. To overcome this limitation, we extract thousands of
published reports of the key aspects of MOF stability necessary for their
practical application: the ability to withstand high temperatures without
degrading and the capacity to be activated by removal of solvent molecules.
From nearly 4,000 manuscripts, we use natural language processing and automated
image analysis to obtain over 2,000 solvent-removal stability measures and
3,000 thermal degradation temperatures. We analyze the relationships between
stability properties and the chemical and geometric structures in this set to
identify limits of prior heuristics derived from smaller sets of MOFs. By
training predictive machine learning (ML, i.e., Gaussian process and artificial
neural network) models to encode the structure-property relationships with
graph- and pore-structure-based representations, we are able to make
predictions of stability orders of magnitude faster than conventional
physics-based modeling or experiment. Interpretation of important features in
ML models provides insights that we use to identify strategies to engineer
increased stability into typically unstable 3d-containing MOFs that are
frequently targeted for catalytic applications. We expect our approach to
accelerate the time to discovery of stable, practical MOF materials for a wide
range of applications.
- Abstract（参考訳）: MOFの金属活性部位や多孔質構造は、ガス分離から触媒分解までエンジニアリング上の課題に対して大きな期待を持っているが、その安定性を改善する方法の理解の欠如は、実際にの使用を制限する。
この制限を克服するため,本論文では,MoFの安定性に関する数千件の報告を抽出し,分解を伴わずに高温に耐える能力,溶媒分子の除去により活性化する能力について検討した。
4,000本近い原稿から自然言語処理と自動画像解析を行い,2,000以上の溶剤除去安定対策と3,000回の熱劣化温度を得た。
この集合における安定性特性と化学および幾何学構造の関係を解析し、より小さなMOF集合から派生した先行ヒューリスティックの限界を特定する。
予測機械学習(ml、すなわちガウス過程および人工ニューラルネットワーク)モデルをトレーニングして、グラフおよび細孔構造に基づく表現の構造的属性関係をエンコードすることで、従来の物理ベースのモデリングや実験よりも安定性次数の予測を高速にすることができる。
MLモデルにおける重要な特徴の解釈は、不安定な3dを含むMOFを触媒用途に頻繁にターゲットとする、安定性向上のための戦略を特定するための洞察を提供する。
我々は,安定的で実用的なMOF材料を幅広い用途で発見する時間を早めるためのアプローチを期待する。
関連論文リスト
- Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - Physics-Enhanced TinyML for Real-Time Detection of Ground Magnetic
Anomalies [0.0]
地磁気障害(GMD)のような宇宙の気象現象は、重要な技術基盤に重大なリスクをもたらす。
本稿では、上記の課題に対処する物理誘導型TinyMLフレームワークを開発する。
モデルトレーニングと圧縮の段階で物理ベースの正規化を統合し、予測の信頼性を高める。
論文 参考訳（メタデータ） (2023-11-19T23:20:16Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳（メタデータ） (2023-10-18T15:49:39Z) - From Peptides to Nanostructures: A Euclidean Transformer for Fast and
Stable Machine Learned Force Fields [5.013279299982324]
本稿では,疎等式表現と自己注意機構を組み合わせたSO3kratesというトランスフォーマーアーキテクチャを提案する。
SO3kratesは精度、安定性、速度の独特な組み合わせを実現し、拡張時間とシステムサイズスケールでの物質の量子特性の洞察に富んだ分析を可能にする。
論文 参考訳（メタデータ） (2023-09-21T09:22:05Z) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳（メタデータ） (2022-10-31T04:04:03Z) - A Database of Ultrastable MOFs Reassembled from Stable Fragments with
Machine Learning Models [0.3710026260502075]
我々はコミュニティの知識と機械学習モデルを利用して、活性化時に熱的に安定し安定した金属-有機フレームワーク(MOF)を同定する。
我々は、5万以上の構造からなる新しい仮説MOFデータベースを作成し、それまでのデータベースよりも、桁違いに多くの接続網と無機構造ブロックをサンプリングする。
このデータベースは、活性化時に安定であり、1つ以上の標準偏差が実験により得られた平均的なMOFよりも熱的に安定な超安定MOF構造の等級の富化を示す。
論文 参考訳（メタデータ） (2022-10-25T17:38:42Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - 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) - MOFSimplify: Machine Learning Models with Extracted Stability Data of
Three Thousand Metal-Organic Frameworks [0.0]
我々は、自然言語処理を用いて、金属-有機フレームワーク(MOF)の安定性に関する文献を発掘する。
我々は、定量的不確実性のある新しいMOFの安定性を予測するために機械学習モデルを訓練する。
当社のWebインターフェースであるMOFSimplifyは、ユーザがキュレートされたデータにアクセスし、そのデータを新しいMOFの予測に利用できるようにする。
論文 参考訳（メタデータ） (2021-09-16T16:37:37Z) - 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) - Bayesian Force Fields from Active Learning for Simulation of
Inter-Dimensional Transformation of Stanene [3.708456605408296]
本稿では,多体カーネルに基づく原子間力場に対するガウス過程モデルを劇的に高速化する方法を提案する。
これにより、ほぼ量子精度、組込みの不確実性、一定の評価コストを組み合わせたモデルの自動アクティブラーニングが可能になる。
論文 参考訳（メタデータ） (2020-08-26T20:27:19Z)
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。