論文の概要: Accelerating nanomaterials discovery with artificial intelligence at the
HPC centers
- arxiv url: http://arxiv.org/abs/2208.07612v1
- Date: Tue, 16 Aug 2022 09:02:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-17 12:53:05.522129
- Title: Accelerating nanomaterials discovery with artificial intelligence at the
HPC centers
- Title(参考訳): HPCセンターにおける人工知能によるナノマテリアル発見の加速
- Authors: \c{S}ener \"Oz\"onder and H. K\"ubra K\"u\c{c}\"ukkartal
- Abstract要約: 化学物質、医薬品、生体材料、合金の性質の研究には、何十年もの専門的な研究が必要である。
新たな人工知能と最適化手法は、この研究手順を逆転するために使用することができる。
ドープグラフェン量子ドットパラメータ空間上のスマートサーチの例を示す。
- 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: Study of properties of chemicals, drugs, biomaterials and alloys requires
decades of dedicated work. Often times the outcome, however, is not what is
expected for practical applications. This research procedure can be inverted by
the new artificial intelligence and optimization methods. Instead of studying
the properties of a material and its structurally close derivatives, the
chemical and structural parameter space that contains all possible derivatives
of that material can be scanned in a fast and smart way at the HPC centers. As
a result of this, the particular material that has the specific physical or
chemical properties can be found. Here we show how Bayesian optimization,
Gaussian regression and artificial neural networks can be used towards this
goal. We present an example smart search on the doped graphene quantum dot
parameter space.
- Abstract(参考訳): 化学物質、薬物、生体材料、合金の特性の研究には何十年もの専門的な研究が必要である。
しかし、多くの場合、結果は現実的な応用に期待されるものではない。
この研究手順は、新しい人工知能と最適化手法によって逆転することができる。
物質の性質と構造的に近接した誘導体を研究する代わりに、その物質のすべての可能な誘導体を含む化学および構造パラメータ空間は、HPC中心で高速かつスマートな方法でスキャンすることができる。
この結果、特定の物理的または化学的性質を持つ特定の物質が見つかる。
ここでは、ベイジアン最適化、ガウス回帰、人工ニューラルネットワークをこの目的のためにどのように利用できるかを示す。
我々は、ドープされたグラフェン量子ドットパラメータ空間上のスマート検索の例を示す。
関連論文リスト
- Data Distillation for Neural Network Potentials toward Foundational
Dataset [6.373914211316965]
生成モデルは 迅速に 対象のアプリケーションに 有望な材料を提案できる
しかし、生成モデルによる材料の予測特性は、アブイニシアト計算によって計算された性質と一致しないことが多い。
本研究は, 拡張アンサンブル分子動力学(MD)を用いて, 金属系, ニッケル中の液相および固相の幅広い構成を確保した。
蒸留データからトレーニングしたNNPは,これらの構造が初期データの一部ではないにもかかわらず,異なるエネルギー最小化クローズパック結晶構造を予測できることがわかった。
論文 参考訳(メタデータ) (2023-11-09T14:41:45Z) - Towards out-of-distribution generalizable predictions of chemical
kinetics properties [61.15970601264632]
Out-Of-Distribution (OOD) の運動特性予測は一般化可能である必要がある。
本稿では,OODの運動特性予測を3つのレベル(構造,条件,機構)に分類する。
我々は、OOD設定における反応予測のための最先端MLアプローチと、速度論的特性予測問題における最先端グラフOOD手法をベンチマークするために、包括的なデータセットを作成する。
論文 参考訳(メタデータ) (2023-10-04T20:36:41Z) - Structure to Property: Chemical Element Embeddings and a Deep Learning
Approach for Accurate Prediction of Chemical Properties [0.0]
本稿では,多層エンコーダやデコーダアーキテクチャなどのディープラーニング技術に基づく新しい機械学習モデルを提案する。
有機および無機化合物を含む各種入力データに適用することで,本手法がもたらす機会を実証する。
この研究で使用されるモデルは高い予測力を示し、洗練された機械学習で実現可能な進歩を裏付けるものである。
論文 参考訳(メタデータ) (2023-09-17T19:41:32Z) - Virtual Screening of Chemical Space based on Quantum Annealing [6.620824133892021]
量子コンピュータは、古典的コンピュータよりも高速にサンプリングデータを生成することができる。
化学的空間を重要視することにより、化学空間を1%未満に減らすことができることがわかった。
論文 参考訳(メタデータ) (2023-07-12T07:13:59Z) - QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [72.73126947400603]
我々は、999の分子動力学軌道に対して正確なハミルトン行列を提供するために、QH9と名付けられた新しい量子ハミルトンデータセットを生成する。
現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文 参考訳(メタデータ) (2023-06-15T23:39:07Z) - Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular
Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。
我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。
複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文 参考訳(メタデータ) (2023-02-04T01:32:40Z) - Differentiable Scaffolding Tree for Molecular Optimization [47.447362691543304]
本稿では,離散的な化学構造を局所的な微分可能木に変換するための知識ネットワークを用いた微分可能な足場木(DST)を提案する。
実験により, 勾配に基づく分子最適化は有効であり, 試料効率が高いことが示された。
論文 参考訳(メタデータ) (2021-09-22T01:16:22Z) - Gaussian Moments as Physically Inspired Molecular Descriptors for
Accurate and Scalable Machine Learning Potentials [0.0]
本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。
化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
論文 参考訳(メタデータ) (2021-09-15T16:46:46Z) - Simulating Quantum Materials with Digital Quantum Computers [55.41644538483948]
デジタル量子コンピュータ(DQC)は、古典的コンピュータでは引き起こせない量子シミュレーションを効率的に行うことができる。
このレビューの目的は、物理量子優位性を達成するために行われた進歩の要約を提供することである。
論文 参考訳(メタデータ) (2021-01-21T20:10:38Z) - Quantum algorithm for alchemical optimization in material design [0.6116681488656472]
本稿では,材料設計問題に適切なスケーリングで対処する量子アルゴリズムを提案する。
量子的優位性は、指数関数的に大きな化合物空間のサンプリングとともに電子構造特性の効率的な計算に存在している。
予備的な結果は、短期量子コンピュータのためのさらなる物質設計量子アルゴリズムの開発の基礎となる。
論文 参考訳(メタデータ) (2020-08-14T16:24:30Z) - 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)
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。