論文の概要: Rapid Discovery of Graphene Nanocrystals Using DFT and Bayesian Optimization with Neural Network Kernel
- arxiv url: http://arxiv.org/abs/2208.07612v2
- Date: Sat, 3 Aug 2024 20:39:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-07 00:54:45.391826
- Title: Rapid Discovery of Graphene Nanocrystals Using DFT and Bayesian Optimization with Neural Network Kernel
- Title(参考訳): ニューラルネットワークカーネルを用いたDFTとベイズ最適化によるグラフェンナノ結晶の迅速発見
- Authors: Şener Özönder, H. Kübra Küçükkartal,
- Abstract要約: 材料発見においては、望まれる性質を持つ材料を見つけるために、大規模で高次元の化学空間をスクリーニングする必要があることが多い。
本稿では,ベイズ最適化(BO)とニューラルネットワークカーネルを併用して,スマート検索を実現する手法を提案する。
- 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: Density functional theory (DFT) is a powerful computational method used to obtain physical and chemical properties of materials. In the materials discovery framework, it is often necessary to virtually screen a large and high-dimensional chemical space to find materials with desired properties. However, grid searching a large chemical space with DFT is inefficient due to its high computational cost. We propose an approach utilizing Bayesian optimization (BO) with an artificial neural network kernel to enable smart search. This method leverages the BO algorithm, where the neural network, trained on a limited number of DFT results, determines the most promising regions of the chemical space to explore in subsequent iterations. This approach aims to discover materials with target properties while minimizing the number of DFT calculations required. To demonstrate the effectiveness of this method, we investigated 63 doped graphene quantum dots (GQDs) with sizes ranging from 1 to 2 nm to find the structure with the highest light absorbance. Using time-dependent DFT (TDDFT) only 12 times, we achieved a significant reduction in computational cost, approximately 20% of what would be required for a full grid search, by employing the BO algorithm with a neural network kernel. Considering that TDDFT calculations for a single GQD require about half a day of wall time on high-performance computing nodes, this reduction is substantial. Our approach can be generalized to the discovery of new drugs, chemicals, crystals, and alloys with high-dimensional and large chemical spaces, offering a scalable solution for various applications in materials science.
- Abstract(参考訳): 密度汎関数理論 (DFT) は、材料の物理的および化学的性質を得るために用いられる強力な計算法である。
材料発見フレームワークでは、望まれる性質を持つ材料を見つけるために、大規模で高次元の化学空間を仮想的にスクリーニングする必要があることが多い。
しかし、DFTで大きな化学空間を探索するグリッドは計算コストが高いため非効率である。
本稿では,ベイズ最適化(BO)とニューラルネットワークカーネルを併用して,スマート検索を実現する手法を提案する。
この方法は、限られた数のDFT結果に基づいてトレーニングされたニューラルネットワークが、化学空間の最も有望な領域を次の反復で探索するBOアルゴリズムを利用する。
提案手法は, DFT計算の最小化を図り, 対象特性を持つ材料を発見することを目的としている。
本手法の有効性を実証するため, 63個のグラフェン量子ドット(GQD)を1nmから2nmまでの大きさで検討し, 光吸収率の高い構造を見いだした。
時間依存型DFT(TDDFT)をわずか12回しか使わず、ニューラルネットワークカーネルを用いたBOアルゴリズムを用いることで、完全なグリッド検索に必要な約20%の計算コストを大幅に削減した。
1つのGQDに対するTDDFT計算は、高性能な計算ノードで約半日間のウォールタイムを必要とするため、この削減は極めて重要である。
我々のアプローチは、高次元で大きな化学空間を持つ新薬、化学物質、結晶、および合金の発見に一般化することができ、材料科学の様々な応用にスケーラブルなソリューションを提供する。
関連論文リスト
- Universal neural network potentials as descriptors: Towards scalable chemical property prediction using quantum and classical computers [0.0]
本稿では,化学特性予測のための汎用記述子として,普遍的ニューラルネットワークポテンシャルの中間情報を利用する汎用的アプローチを提案する。
本稿では,M3GNet や MACE などのグラフニューラルネットワークを用いた伝達学習が,NMR の化学シフトを予測するための最先端手法に匹敵する精度を実現することを示す。
論文 参考訳(メタデータ) (2024-02-28T15:57:22Z) - 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 [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998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。
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) - 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。