論文の概要: Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction

• arxiv url: http://arxiv.org/abs/2209.07300v1
• Date: Thu, 15 Sep 2022 13:52:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-16 13:40:42.428684
• Title: Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction
• Title（参考訳）: cu系単原子合金触媒のco2還元反応予測のための多タスク混合密度グラフニューラルネットワーク
• Authors: Chen Liang, Bowen Wang, Shaogang Hao, Guangyong Chen, Pheng-Ann Heng and Xiaolong Zou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 61.9212585617803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) have drawn more and more attention from material scientists and demonstrated a high capacity to establish connections between the structure and properties. However, with only unrelaxed structures provided as input, few GNN models can predict the thermodynamic properties of relaxed configurations with an acceptable level of error. In this work, we develop a multi-task (MT) architecture based on DimeNet++ and mixture density networks to improve the performance of such task. Taking CO adsorption on Cu-based single-atom alloy catalysts as an illustration, we show that our method can reliably estimate CO adsorption energy with a mean absolute error of 0.087 eV from the initial CO adsorption structures without costly first-principles calculations. Further, compared to other state-of-the-art GNN methods, our model exhibits improved generalization ability when predicting catalytic performance of out-of-domain configurations, built with either unseen substrate surfaces or doping species. We show that the proposed MT GNN strategy can facilitate catalyst discovery.
• Abstract（参考訳）: 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、構造と特性の間の接続を確立するための高い能力を示した。 しかし、入力として提供された非緩和構造のみにより、緩和された構成の熱力学特性を許容レベルの誤差で予測できるGNNモデルはほとんどない。 本研究では,dimenet++ とmixed density network を基盤としたマルチタスク (mt) アーキテクチャを開発し,タスクの性能を向上させる。 本研究では,Cu系単原子合金触媒へのCO吸着を図示として,コストのかかる第一原理計算を行うことなく,初期CO吸着構造から平均絶対誤差0.087 eVでCO吸着エネルギーを確実に推定できることを示す。 さらに, 現状のgnn法と比較して, ドメイン外構成の触媒性能を予測する際の一般化性能が向上し, 基質表面やドーピング種で構築した。 提案したMT GNN戦略が触媒発見を促進することを示す。

関連論文リスト

• Graph neural network framework for energy mapping of hybrid monte-carlo molecular dynamics simulations of Medium Entropy Alloys [0.0]
  本研究では, 中エントロピー合金(MEAs)のモデリングのためのグラフベース表現を提案する。 ハイブリッドモンテカルロ分子動力学(MC/MD)シミュレーションは、MEAの様々な熱処理温度で熱的に安定な構造を実現するために用いられる。 これらのシミュレーションはダンプファイルとポテンシャルエネルギーラベルを生成し、原子配置のグラフ表現を構築するのに使用される。 これらのグラフは、システムのポテンシャルエネルギーを予測するためのグラフ畳み込みニューラルネットワーク(GCNN)ベースのMLモデルの入力として機能する。
  論文  参考訳（メタデータ） (2024-11-20T19:22:40Z)
• Pushing the Limits of All-Atom Geometric Graph Neural Networks: Pre-Training, Scaling and Zero-Shot Transfer [15.302727191576784]
  全原子情報を持つ幾何学グラフニューラルネットワーク(Geom-GNN)は、原子論シミュレーションを変換した。 本研究では,Geom-GNNの自己教師付き事前学習,教師付き学習,教師なし学習環境におけるスケーリング行動について検討する。 我々は、全ての原子グラフの埋め込みが他の神経アーキテクチャと有機的に組み合わされ、表現力を高めることができることを示す。
  論文  参考訳（メタデータ） (2024-10-29T03:07:33Z)
• Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
  DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。 特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
  論文  参考訳（メタデータ） (2024-09-23T17:11:04Z)
• Adapting OC20-trained EquiformerV2 Models for High-Entropy Materials [0.5812062802134551]
  オープン触媒プロジェクトから事前学習したEquiformerV2モデルの調整および微調整を行った結果について述べる。 結合部位の局所環境に基づいてエネルギーフィルタを適用することにより、ゼロショット推論が著しく改善される。 また、一般的な機械学習の可能性を想定したEquiformerV2は、より小さく、より焦点を絞った直接推論モデルに通知することができる。
  論文  参考訳（メタデータ） (2024-03-14T18:59:54Z)
• Boosting Heterogeneous Catalyst Discovery by Structurally Constrained Deep Learning Models [0.0]
  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。
  論文  参考訳（メタデータ） (2022-07-11T17:01:28Z)
• Graph Neural Networks for Temperature-Dependent Activity Coefficient Prediction of Solutes in Ionic Liquids [58.720142291102135]
  IL中の溶質の温度依存性無限希釈交流を予測するためのGNNを提案する。 我々は、GNNを4万以上のAC値を含むデータベース上でトレーニングし、最先端のMCMと比較する。 GNNとMCMも同様に高い予測性能を達成し、GNNはトレーニング中に考慮されていないILと溶質を含む溶液のACに対して高品質な予測を可能にする。
  論文  参考訳（メタデータ） (2022-06-23T15:27:29Z)
• On the Intrinsic Structures of Spiking Neural Networks [66.57589494713515]
  近年、時間依存データやイベント駆動データを扱う大きな可能性から、SNNへの関心が高まっている。 スパイキング計算における本質的な構造の影響を総合的に調査する研究が数多く行われている。 この研究はSNNの本質的な構造を深く掘り下げ、SNNの表現性への影響を解明する。
  論文  参考訳（メタデータ） (2022-06-21T09:42:30Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
  マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。 我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
  論文  参考訳（メタデータ） (2020-05-17T04:46:07Z)
• Global Attention based Graph Convolutional Neural Networks for Improved Materials Property Prediction [8.371766047183739]
  我々は,グラフニューラルネットワークに基づく無機材料特性の予測モデルであるGATGNNを開発した。 提案手法は, 従来のモデルの予測よりも優れており, 材料の結晶化に関する知見を提供することができる。
  論文  参考訳（メタデータ） (2020-03-11T07:43:14Z)

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。