Fugu-MT 論文翻訳(概要): Predicting the Efficiency of CO$_2$ Sequestering by Metal Organic Frameworks Through Machine Learning Analysis of Structural and Electronic Properties

論文の概要: Predicting the Efficiency of CO$_2$ Sequestering by Metal Organic Frameworks Through Machine Learning Analysis of Structural and Electronic Properties

arxiv url: http://arxiv.org/abs/2110.05753v1
Date: Tue, 12 Oct 2021 05:55:47 GMT
ステータス: 処理完了
システム内更新日: 2021-10-14 00:04:36.353603
Title: Predicting the Efficiency of CO$_2$ Sequestering by Metal Organic Frameworks Through Machine Learning Analysis of Structural and Electronic Properties
Title（参考訳）: 構造・電子特性の機械学習解析による金属組織によるCO$_2$の回収効率の予測
Authors: Mahati Manda
Abstract要約: このプロジェクトの目的は、機械学習を使用して、CO$$の金属有機フレームワーク(MOF)の取り込みを予測するアルゴリズムを作成することである。このアルゴリズムは、科学者が仮説MOFを低効率で無視できるため、時間や機器などの資源を節約する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Due the alarming rate of climate change, the implementation of efficient CO$_2$ capture has become crucial. This project aims to create an algorithm that predicts the uptake of CO$_2$ adsorbing Metal-Organic Frameworks (MOFs) by using Machine Learning. These values will in turn gauge the efficiency of these MOFs and provide scientists who are looking to maximize the uptake a way to know whether or not the MOF is worth synthesizing. This algorithm will save resources such as time and equipment as scientists will be able to disregard hypothetical MOFs with low efficiencies. In addition, this paper will also highlight the most important features within the data set. This research will contribute to enable the rapid synthesis of CO$_2$ adsorbing MOFs.
Abstract（参考訳）: 気候変動の深刻化により、効率的なco$_2$キャプチャの実装が重要になっている。このプロジェクトの目的は、機械学習を用いて、CO$2$の金属有機フレームワーク(MOF)の取り込みを予測するアルゴリズムを作成することである。これらの値は、これらのMOFの効率を測り、MOFが合成に値するかどうかを最大化する方法を探している科学者に提供します。このアルゴリズムは、科学者が仮説MOFを低効率で無視できるため、時間や機器などの資源を節約する。さらに,本稿では,データセット内の最も重要な機能についても強調する。この研究は、MOFを吸着するCO$2$の迅速な合成に寄与する。

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)
Efficient Materials Informatics between Rockets and Electrons [0.0]
この論文は、超高温耐火高エントロピー合金(RHEA)を組み込んだ機能性グレード材料(FGM)の設計に焦点を当てている。原子レベルでは、MPDDと呼ばれる450万以上の緩和された構造から機械学習(ML)に最適化されたデータエコシステムが、実験的な観察を知らせ、熱力学モデルを改善するために使用される。結果として生じるマルチレベル発見インフラストラクチャは、既存のソリューションを探すのではなく、問題のエンコーディングに重点を置いているため、非常に一般化可能である。
論文参考訳（メタデータ） (2024-07-05T17:03:26Z)
CarbNN: A Novel Active Transfer Learning Neural Network To Build De Novo Metal Organic Frameworks (MOFs) for Carbon Capture [0.0]
二酸化炭素捕獲に用いられる現在の材料は、効率性、持続可能性、コストに欠けている。二酸化炭素の電気触媒化は、二酸化炭素を還元し、燃料として工業的に使用される新しいアプローチである。この目的は、二酸化炭素を吸着して一酸化炭素と酸素を低コストで触媒するMOFを計算的に設計することである。
論文参考訳（メタデータ） (2023-11-09T01:21:19Z)
DiffNAS: Bootstrapping Diffusion Models by Prompting for Better Architectures [63.12993314908957]
そこで我々は,DiffNASと呼ばれるベースモデル探索手法を提案する。 GPT-4をスーパーネットとして利用して検索を高速化し,検索メモリを補足して結果を向上する。厳密な実験により,GPTに基づくシナリオでは,探索効率を2倍に向上できることが示された。
論文参考訳（メタデータ） (2023-10-07T09:10:28Z)
A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文参考訳（メタデータ） (2023-07-01T15:18:00Z)
PhAST: Physics-Aware, Scalable, and Task-specific GNNs for Accelerated Catalyst Design [102.9593507372373]
触媒材料は産業プロセスに関わる電気化学反応において重要な役割を担っている。機械学習は、大量のデータから材料特性を効率的にモデル化する可能性を秘めている。本稿では,ほとんどのアーキテクチャに適用可能なタスク固有のイノベーションを提案し,計算効率と精度の両立を図っている。
論文参考訳（メタデータ） (2022-11-22T05:24:30Z)
Predicting CO$_2$ Absorption in Ionic Liquids with Molecular Descriptors and Explainable Graph Neural Networks [9.04563945965023]
液体(IL)は、温暖化を緩和するためにCO$$の捕獲と貯蔵のための有望なソリューションを提供する。本研究では,指紋に基づく機械学習モデルとグラフニューラルネットワーク(GNN)の両方を開発し,ILにおけるCO$の予測を行う。従来のMLモデルよりも精度が高い(MAEは0.0137,$R2$は0.9884)。
論文参考訳（メタデータ） (2022-09-29T18:31:12Z)
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)
Memory-Efficient Factorization Machines via Binarizing both Data and Model Coefficients [9.692334398809457]
ファクトリゼーションマシン(FM)の限界を克服するサブスペースイミネーティングマシン(SEFM)が提案されている。本稿では,モデルパラメータを2値に制約する2値化FM法を提案する。提案手法はSEFMと同等の精度を達成できるが,メモリコストははるかに少ない。
論文参考訳（メタデータ） (2021-08-17T03:30:52Z)
Gemini: Dynamic Bias Correction for Autonomous Experimentation and Molecular Simulation [0.0]
安価な測定を高価な測定のプロキシとして使用できるデータ駆動モデルであるGeminiを紹介します。目的の過剰電位を達成するために必要な高価な貴金属と希少金属からなる組成空間の測定数は、より安価な金属を用いたプロキシ組成システムによる測定により大幅に減少する。
論文参考訳（メタデータ） (2021-03-05T00:11:56Z)
Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
深層学習はサイリコの何十億もの分子を迅速にスクリーニングする重要なツールとなりましたその重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
論文参考訳（メタデータ） (2020-06-25T08:46:37Z)

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。