論文の概要: Boosting Heterogeneous Catalyst Discovery by Structurally Constrained
Deep Learning Models
- arxiv url: http://arxiv.org/abs/2207.05013v1
- Date: Mon, 11 Jul 2022 17:01:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-12 16:29:03.649907
- Title: Boosting Heterogeneous Catalyst Discovery by Structurally Constrained
Deep Learning Models
- Title（参考訳）: 構造制約型深層学習モデルによる異種触媒発見の促進
- Authors: Alexey N. Korovin, Innokentiy S. Humonen, Artem I. Samtsevich, Roman
A. Eremin, Artem I. Vasilyev, Vladimir D. Lazarev, Semen A. Budennyy
- Abstract要約: グラフニューラルネットワーク(GNN)のようなディープラーニングアプローチは、新しい高性能触媒をモデル化するスコープを大幅に拡張する新たな機会を開く。
ここでは,Voronoiテッセルレーションにより改良したGNNの埋め込み改善について述べる。
データの適切な選択は、物理ベースで1原子あたり20 meV以上の値に誤差を減少させることができることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The discovery of new catalysts is one of the significant topics of
computational chemistry as it has the potential to accelerate the adoption of
renewable energy sources. Recently developed deep learning approaches such as
graph neural networks (GNNs) open new opportunity to significantly extend scope
for modelling novel high-performance catalysts. Nevertheless, the graph
representation of particular crystal structure is not a straightforward task
due to the ambiguous connectivity schemes and numerous embeddings of nodes and
edges. Here we present embedding improvement for GNN that has been modified by
Voronoi tesselation and is able to predict the energy of catalytic systems
within Open Catalyst Project dataset. Enrichment of the graph was calculated
via Voronoi tessellation and the corresponding contact solid angles and types
(direct or indirect) were considered as features of edges and Voronoi volumes
were used as node characteristics. The auxiliary approach was enriching node
representation by intrinsic atomic properties (electronegativity, period and
group position). Proposed modifications allowed us to improve the mean absolute
error of the original model and the final error equals to 651 meV per atom on
the Open Catalyst Project dataset and 6 meV per atom on the intermetallics
dataset. Also, by consideration of additional dataset, we show that a sensible
choice of data can decrease the error to values above physically-based 20 meV
per atom threshold.
- Abstract（参考訳）: 新しい触媒の発見は、再生可能エネルギー源の採用を加速する可能性があるため、計算化学の重要なトピックの1つである。
最近開発されたグラフニューラルネットワーク(gnns)のようなディープラーニングアプローチは、新しい高性能触媒のモデリングのスコープを大きく広げる新たな機会を開く。
それにもかかわらず、特定の結晶構造のグラフ表現はあいまいな連結スキームと多数のノードとエッジの埋め込みのため、単純な作業ではない。
本稿では,Voronoiテッセル化によって修正され,Open Catalyst Projectデータセット内の触媒系のエネルギーを予測できるGNNの埋め込み改善について述べる。
グラフのエンリッチメントはボロノイテッセレーションによって計算され、対応する接触固形角とタイプ(直接または間接)はエッジの特徴と見なされ、ボロノイボリュームはノード特性として使用された。
補助的なアプローチは、固有原子特性(電気陰性度、周期、グループ位置)によるノード表現の強化であった。
提案する修正により、元のモデルの平均絶対誤差を改善でき、最終誤差はopen catalystプロジェクトデータセットでは1原子あたり651 mev、金属間データセットでは1原子あたり6 mevに匹敵する。
また、追加のデータセットを考慮すると、データの適切な選択は、物理ベースで1原子あたり20 meV以上の値に誤差を減少させることができる。
関連論文リスト
- Lightweight Geometric Deep Learning for Molecular Modelling in Catalyst Discovery [0.0]
Open Catalyst Projectは、グラフニューラルネットワーク(GNN)の進歩を適用して、触媒発見の進展を加速することを目的としている。
幾何学的および対称的なメッセージパッシングのようなロバストな設計パターンを実装することで、吸着と表面の相互作用の原子間力を予測するために、0.0748のMAEに達したGNNモデルを訓練することができた。
論文 参考訳（メタデータ） (2024-04-05T17:13:51Z) - On the importance of catalyst-adsorbate 3D interactions for relaxed
energy predictions [98.70797778496366]
吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。
結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
論文 参考訳（メタデータ） (2023-10-10T14:57:04Z) - Catalysis distillation neural network for the few shot open catalyst
challenge [1.1878820609988694]
本稿では,機械学習の反応予測への応用を推し進めるコンペであるFew-Shot Open Catalyst Challenge 2023を紹介する。
触媒蒸留グラフニューラルネットワーク(CDGNN)というフレームワークを用いた機械学習手法を提案する。
その結果,CDGNNは触媒構造からの埋め込みを効果的に学習し,構造吸着関係の捕捉を可能にした。
論文 参考訳（メタデータ） (2023-05-31T04:23:56Z) - Atomic and Subgraph-aware Bilateral Aggregation for Molecular
Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。
ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。
本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文 参考訳（メタデータ） (2023-05-22T00:56:00Z) - Resisting Graph Adversarial Attack via Cooperative Homophilous
Augmentation [60.50994154879244]
最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。
本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。
本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
論文 参考訳（メタデータ） (2022-11-15T11:44:31Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - 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) - Distance-aware Molecule Graph Attention Network for Drug-Target Binding
Affinity Prediction [54.93890176891602]
薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。
そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。
また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
論文 参考訳（メタデータ） (2020-12-17T17:44:01Z) - The Open Catalyst 2020 (OC20) Dataset and Community Challenges [36.556154866045894]
触媒の発見と最適化は多くの社会的およびエネルギー的課題を解決する鍵となる。
表面および吸着体の元素組成を一般化できるモデルを構築することは、依然としてオープンな課題である。
論文 参考訳（メタデータ） (2020-10-20T03:29:18Z)
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。