論文の概要: Machine learning models predict calculation outcomes with the
transferability necessary for computational catalysis
- arxiv url: http://arxiv.org/abs/2203.01276v1
- Date: Wed, 2 Mar 2022 18:02:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-03 16:30:39.208099
- Title: Machine learning models predict calculation outcomes with the
transferability necessary for computational catalysis
- Title（参考訳）: 機械学習モデルは、計算触媒に必要な伝達性で計算結果を予測する
- Authors: Chenru Duan, Aditya Nandy, Husain Adamji, Yuriy Roman-Leshkov, and
Heather J. Kulik
- Abstract要約: 仮想高スループットスクリーニング(VHTS)と機械学習(ML)は単一部位遷移金属触媒の設計を大幅に加速させた。
本研究では, 触媒設計において, 形状最適化をリアルタイムで監視する畳み込みニューラルネットワークは, 優れた性能と伝達性を利用することができることを示す。
我々は、この優れたモデル転送可能性について、密度汎関数理論計算から生成されたオンザフライ電子構造と幾何情報を用いて合理化する。
- 参考スコア（独自算出の注目度）: 0.4063872661554894
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Virtual high throughput screening (VHTS) and machine learning (ML) have
greatly accelerated the design of single-site transition-metal catalysts. VHTS
of catalysts, however, is often accompanied with high calculation failure rate
and wasted computational resources due to the difficulty of simultaneously
converging all mechanistically relevant reactive intermediates to expected
geometries and electronic states. We demonstrate a dynamic classifier approach,
i.e., a convolutional neural network that monitors geometry optimization on the
fly, and exploit its good performance and transferability for catalyst design.
We show that the dynamic classifier performs well on all reactive intermediates
in the representative catalytic cycle of the radical rebound mechanism for
methane-to-methanol despite being trained on only one reactive intermediate.
The dynamic classifier also generalizes to chemically distinct intermediates
and metal centers absent from the training data without loss of accuracy or
model confidence. We rationalize this superior model transferability to the use
of on-the-fly electronic structure and geometric information generated from
density functional theory calculations and the convolutional layer in the
dynamic classifier. Combined with model uncertainty quantification, the dynamic
classifier saves more than half of the computational resources that would have
been wasted on unsuccessful calculations for all reactive intermediates being
considered.
- Abstract（参考訳）: 仮想高スループットスクリーニング(VHTS)と機械学習(ML)は単一部位遷移金属触媒の設計を大幅に加速させた。
しかしながら、触媒のVHTSはしばしば高い計算失敗率と計算資源を浪費している。
動的分類器アプローチ、すなわち、オンザフライでの幾何最適化をモニタする畳み込みニューラルネットワークを示し、触媒設計に優れた性能と伝達性を利用する。
反応中間体を1つだけ訓練したにもかかわらず, 動的分類器はメタン-メタノールのラジカルリバウンド機構の代表触媒サイクルにおいて, 全ての反応中間体に対して良好に作用することを示した。
動的分類器はまた、正確性やモデルの信頼性を損なうことなく、訓練データに欠けている化学的に異なる中間体と金属中心に一般化する。
この優れたモデル伝達性をオンザフライ電子構造と密度汎関数計算および動的分類器の畳み込み層から生成される幾何情報の利用に合理化する。
モデル不確実性定量化と組み合わせて、動的分類器は考慮される全ての反応中間体の計算に費やされたであろう計算資源の半分以上を節約する。
関連論文リスト
- chemtrain: Learning Deep Potential Models via Automatic Differentiation and Statistical Physics [0.0]
ニューラルネットワーク(NN)は分子動力学の精度を改善するための有望なモデルである。
Chemtrainは、カスタマイズ可能なトレーニングルーチンと高度なトレーニングアルゴリズムを通じて、洗練されたNNポテンシャルモデルを学ぶためのフレームワークである。
論文 参考訳（メタデータ） (2024-08-28T15:14:58Z) - A Machine Learning and Explainable AI Framework Tailored for Unbalanced Experimental Catalyst Discovery [10.92613600218535]
各種成分の触媒収率を正確に分類するために,堅牢な機械学習と説明可能なAI(XAI)フレームワークを導入する。
このフレームワークは、触媒データの不足と不均衡を処理するために設計された一連のMLプラクティスを組み合わせる。
このような知見は, 新規触媒の開発・同定において, 優れた性能を有する化学者を支援することができると信じている。
論文 参考訳（メタデータ） (2024-07-10T13:09:53Z) - Transfer learning for atomistic simulations using GNNs and kernel mean
embeddings [24.560340485988128]
本稿では, グラフニューラルネットワーク(GNN)を用いて, カーネル平均埋め込みとともに, 化学環境を表現するトランスファー学習アルゴリズムを提案する。
我々は,複雑性を増大させる一連の現実的なデータセットに対して,我々のアプローチを検証し,優れた一般化と伝達可能性性能を示す。
論文 参考訳（メタデータ） (2023-06-02T14:58:16Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Adaptive physics-informed neural operator for coarse-grained
non-equilibrium flows [0.0]
このフレームワークは、階層的かつ適応的なディープラーニング戦略を通じて、次元還元とニューラル演算子を組み合わせる。
提案したサロゲートのアーキテクチャは木として構成され、葉ノードは別々の神経オペレータブロックを表す。
0-Dのシナリオでは、提案されたMLフレームワークは、最大相対誤差が4.5%である約30種の力学を適応的に予測することができる。
論文 参考訳（メタデータ） (2022-10-27T23:26:57Z) - Toward Development of Machine Learned Techniques for Production of
Compact Kinetic Models [0.0]
化学動力学モデルは燃焼装置の開発と最適化に欠かせない要素である。
本稿では、過度に再現され、最適化された化学動力学モデルを生成するための、新しい自動計算強化手法を提案する。
論文 参考訳（メタデータ） (2022-02-16T12:31:24Z) - Model based Multi-agent Reinforcement Learning with Tensor
Decompositions [52.575433758866936]
本稿では、CPランクの低いテンソルとして遷移関数と報酬関数をモデル化することにより、未探索の状態-作用対上の状態-作用空間の一般化を考察する。
合成MDPの実験により、モデルに基づく強化学習アルゴリズムでテンソル分解を用いることで、真の遷移関数と報酬関数が実際に低ランクである場合、はるかに高速な収束が得られることが示された。
論文 参考訳（メタデータ） (2021-10-27T15:36:25Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳（メタデータ） (2021-10-26T14:26:25Z) - Energy-Efficient and Federated Meta-Learning via Projected Stochastic
Gradient Ascent [79.58680275615752]
エネルギー効率のよいメタラーニングフレームワークを提案する。
各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
論文 参考訳（メタデータ） (2021-05-31T08:15:44Z) - Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。
実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文 参考訳（メタデータ） (2020-06-15T08:23:20Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳（メタデータ） (2020-06-11T09:58:01Z)
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。