論文の概要: Deciphering Cryptic Behavior in Bimetallic Transition Metal Complexes
with Machine Learning
- arxiv url: http://arxiv.org/abs/2107.14280v1
- Date: Thu, 29 Jul 2021 19:01:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-02 12:52:13.329133
- Title: Deciphering Cryptic Behavior in Bimetallic Transition Metal Complexes
with Machine Learning
- Title(参考訳): 機械学習による二金属遷移金属錯体の暗号的挙動の解明
- Authors: Michael G. Taylor, Aditya Nandy, Connie C. Lu, and Heather J. Kulik
- Abstract要約: 我々は, 金属-金属結合の程度を予測するために, 330個の構造的特徴を持つヘテロビメタルのサブセット上で回帰モデルを訓練した。
我々の研究は、有理二金属設計の指針を提供し、形式比を含む特性は、ある期間から別の期間に転移可能であることを示唆している。
- 参考スコア(独自算出の注目度): 0.856335408411906
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The rational tailoring of transition metal complexes is necessary to address
outstanding challenges in energy utilization and storage. Heterobimetallic
transition metal complexes that exhibit metal-metal bonding in stacked "double
decker" ligand structures are an emerging, attractive platform for catalysis,
but their properties are challenging to predict prior to laborious synthetic
efforts. We demonstrate an alternative, data-driven approach to uncovering
structure-property relationships for rational bimetallic complex design. We
tailor graph-based representations of the metal-local environment for these
heterobimetallic complexes for use in training of multiple linear regression
and kernel ridge regression (KRR) models. Focusing on oxidation potentials, we
obtain a set of 28 experimentally characterized complexes to develop a multiple
linear regression model. On this training set, we achieve good accuracy (mean
absolute error, MAE, of 0.25 V) and preserve transferability to unseen
experimental data with a new ligand structure. We trained a KRR model on a
subset of 330 structurally characterized heterobimetallics to predict the
degree of metal-metal bonding. This KRR model predicts relative metal-metal
bond lengths in the test set to within 5%, and analysis of key features reveals
the fundamental atomic contributions (e.g., the valence electron configuration)
that most strongly influence the behavior of complexes. Our work provides
guidance for rational bimetallic design, suggesting that properties including
the formal shortness ratio should be transferable from one period to another.
- Abstract(参考訳): 遷移金属錯体の合理的な調整は、エネルギー利用と貯蔵における顕著な課題に対処するために必要である。
金属-金属結合を示すヘテロビス金属遷移金属錯体は、重畳された「二重デッキ」配位子構造は、触媒作用の新興かつ魅力的な基盤であるが、それらの性質は、退屈な合成作業の前に予測することが困難である。
有理二金属複合設計のための構造とプロパティの関係を明らかにするためのデータ駆動アプローチを示す。
我々は多元線形回帰モデルとカーネルリッジ回帰モデル(krr)モデルの訓練に使用するヘテロ二金属錯体の金属局所環境のグラフベース表現を調整した。
酸化ポテンシャルに着目し,28種類の実験的特性を有する錯体からなる多重線形回帰モデルを構築した。
このトレーニングセットでは、高い精度(すなわち絶対誤差、MAE、0.25V)を実現し、新しいリガンド構造を持つ未確認実験データへの転送性を維持する。
金属-金属結合の程度を予測するため, 構造的特徴を持つヘテロビメタル330のサブセットを用いてKRRモデルを訓練した。
このKRRモデルは、テストセットの相対金属-金属結合長を5%以内まで予測し、重要な特徴の分析により、錯体の挙動に最も強く影響を与える基本原子寄与(原子価電子配置など)が明らかになる。
我々の研究は有理二金属設計の指針を提供し、形式的短さ比を含む特性は、ある期間から別の期間に転移可能であることを示唆している。
関連論文リスト
- Deep Generative Symbolic Regression [83.04219479605801]
記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。
既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。
本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
論文 参考訳(メタデータ) (2023-12-30T17:05:31Z) - Scalable Diffusion for Materials Generation [110.39595661627155]
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) - Quantum Dynamics of Photoactive Transition Metal Complexes. A Case Study
of Model Reduction [0.0]
量子化学決定モデルを用いた量子力学シミュレーションは、そのような詳細を提供することができる。
我々は最近研究された鉄(II)ホモロイプス錯体の量子力学シミュレーションを行った。
論文 参考訳(メタデータ) (2023-05-12T10:24:59Z) - Accurate Surface and Finite Temperature Bulk Properties of Lithium Metal
at Large Scales using Machine Learning Interaction Potentials [9.457954280246286]
我々は,DFTデータに基づく機械学習インタラクションポテンシャル(MLIP)を,実験結果とab-initio結果の再現における最先端の精度に訓練する。
DFTを用いて, 熱力学特性, フォノンスペクトル, 弾性定数の温度依存性, および各種表面特性を正確に予測する。
我々は、ミラー指数面に対する自己吸着エネルギーと最小表面拡散障壁に関連するベル・エバンス・ポラニ関係が存在することを証明した。
論文 参考訳(メタデータ) (2023-04-24T20:09:07Z) - State-specific protein-ligand complex structure prediction with a
multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。
我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文 参考訳(メタデータ) (2022-09-30T01:46:38Z) - Low-cost machine learning approach to the prediction of transition metal
phosphor excited state properties [0.4306143768014156]
光活性イリジウム錯体は、光から光触媒への応用から広く関心を集めている。
我々は、低コスト機械学習(ML)モデルを用いて、イリジウム錯体の励起状態特性を予測する。
論文 参考訳(メタデータ) (2022-09-18T16:24:07Z) - 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) - Representations and Strategies for Transferable Machine Learning Models
in Chemical Discovery [0.7695660509846216]
本稿では,周期表の1行から大量のデータを学習したモデルを,追加行から少量のデータポイントで生成するトランスファー学習手法を提案する。
モデル性能を安定的に向上させるために,この伝達学習戦略とともに,eRACの相乗的価値を示す。
論文 参考訳(メタデータ) (2021-06-20T22:34:04Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳(メタデータ) (2020-05-27T13:32:10Z) - Pores for thought: The use of generative adversarial networks for the
stochastic reconstruction of 3D multi-phase electrode microstructures with
periodic boundaries [0.0]
本研究は, 現実的なn相マイクロ構造データを生成するために, 深い畳み込み生成対向ネットワーク(DC-GAN)を実装した。
実データと合成データの比較は, 形態学的特性の観点から行う。
生成器への入力を変更することで、周期的な境界を持つマイクロ構造を3方向すべてに生成できることが示される。
論文 参考訳(メタデータ) (2020-02-17T17:38:27Z)
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。