論文の概要: Developing Potential Energy Surfaces for Graphene-based 2D-3D Interfaces
from Modified High Dimensional Neural Networks for Applications in Energy
Storage
- arxiv url: http://arxiv.org/abs/2203.08607v2
- Date: Sun, 5 Jun 2022 16:23:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-22 07:28:41.749999
- Title: Developing Potential Energy Surfaces for Graphene-based 2D-3D Interfaces
from Modified High Dimensional Neural Networks for Applications in Energy
Storage
- Title（参考訳）: 改良型高次元ニューラルネットワークによるグラフェン系2d-3d界面のポテンシャルエネルギー表面の開発
- Authors: Vidushi Sharma, Dibakar Datta
- Abstract要約: 本研究では密度汎関数理論(DFT)法による2次元グラフェンと3次元スズ(Sn)系の界面について検討した。
計算要求シミュレーションデータを用いて機械学習(ML)に基づくポテンシャルエネルギー表面(PES)を開発する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mixed-dimensional heterostructures composed of two-dimensional (2D) and
three-dimensional (3D) materials are undisputed next-generation materials for
engineered devices due to their changeable properties. The present work
computationally investigates the interface between 2D graphene and 3D tin (Sn)
systems with density functional theory (DFT) method. It uses computationally
demanding simulation data to develop machine learning (ML) based potential
energy surfaces (PES). The approach to developing PES for complex interface
systems in the light of limited data and transferability of such models has
been discussed. To develop PES for graphene-tin interface systems, high
dimensional neural networks (HDNN) are used that rely on atom-centered symmetry
function to represent structural information. HDNN are modified to train on the
total energies of the interface system rather than atomic energies. The
performance of modified HDNN trained on 5789 interface structures of
graphene|Sn is tested on new interfaces of the same material pair with varying
levels of structural deviations from the training dataset. Root mean squared
error (RMSE) for test interfaces fall in the range of 0.01-0.45 eV/atom,
depending on the structural deviations from the reference training dataset. By
avoiding incorrect decomposition of total energy into atomic energies, modified
HDNN model is shown to obtain higher accuracy and transferability despite
limited dataset. Improved accuracy in ML-based modeling approach promises
cost-effective means of designing interfaces in heterostructure energy storage
systems with higher cycle life and stability.
- Abstract（参考訳）: 2次元(2次元)および3次元(3次元)材料からなる混合次元ヘテロ構造は、その変化可能な性質のため、次世代の工学的デバイス材料である。
本研究は密度汎関数理論(DFT)法による2次元グラフェンと3次元スズ(Sn)系の界面を計算的に検討する。
計算要求のシミュレーションデータを用いて機械学習(ML)ベースのポテンシャルエネルギー面(PES)を開発する。
このようなモデルの限られたデータと転送可能性を考慮した複雑なインタフェースシステムのためのPSS開発手法について論じる。
グラフェン-スズ界面系のためのPSSを開発するには、構造情報を表現するために原子中心対称性関数に依存する高次元ニューラルネットワーク(HDNN)を用いる。
HDNNは、原子エネルギーではなく、インターフェースシステムの全エネルギーを訓練するために修正される。
グラフェン|Snの5789界面構造に基づいてトレーニングされた改良HDNNの性能は、トレーニングデータセットから異なるレベルの構造偏差を持つ同じ材料対の新しい界面上で試験された。
ルート平均二乗誤差(RMSE)は、基準トレーニングデータセットの構造的ずれに応じて0.01-0.45 eV/atomの範囲に該当する。
原子エネルギーへの全エネルギーの誤った分解を避けることにより, 改良されたHDNNモデルにより, 限られたデータセットにもかかわらず高い精度と転送性が得られることを示す。
MLに基づくモデリング手法の精度の向上は、より高いサイクル寿命と安定性を持つヘテロ構造エネルギー貯蔵システムのインターフェースを設計するコスト効率の良い手段を約束する。
関連論文リスト
- Physics-Informed Neural Networks for Electrical Circuit Analysis: Applications in Dielectric Material Modeling [0.0]
物理情報ニューラルネットワーク(PINN)は、物理法則を直接学習プロセスに組み込むことによって、有望なアプローチを提供する。
本稿では、PINNの実装に特化して設計されたDeepXDEフレームワークの機能と制限について説明する。
電流(ln(I))に対数変換を適用することにより,PINN予測の安定性と精度が著しく向上することを示す。
論文 参考訳（メタデータ） (2024-11-13T19:08:36Z) - Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric
GNNs [66.98487644676906]
我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。
幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。
また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
論文 参考訳（メタデータ） (2024-09-26T08:16:59Z) - Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。
従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。
当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
論文 参考訳（メタデータ） (2024-05-23T14:39:52Z) - Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。
本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-12-08T21:56:19Z) - Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
新たな3D事前学習フレームワーク(3D PGT)を提案する。
3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。
提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
論文 参考訳（メタデータ） (2023-06-13T14:43:13Z) - Learning in latent spaces improves the predictive accuracy of deep
neural operators [0.0]
L-DeepONetは標準のDeepONetの拡張であり、高次元PDE入力の潜在表現と適切なオートエンコーダで識別される出力関数を利用する。
L-DeepONetは時間依存PDEの精度と計算効率の両面で標準手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-04-15T17:13:09Z) - Molecular Geometry-aware Transformer for accurate 3D Atomic System
modeling [51.83761266429285]
本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。
MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
論文 参考訳（メタデータ） (2023-02-02T03:49:57Z) - Deep learning for full-field ultrasonic characterization [7.120879473925905]
本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。
直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
論文 参考訳（メタデータ） (2023-01-06T05:01:05Z) - 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) - 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) - OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted
Atomic-Orbital Features [42.96944345045462]
textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。
薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
論文 参考訳（メタデータ） (2020-07-15T22:38:41Z)
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。