論文の概要: A Database of Ultrastable MOFs Reassembled from Stable Fragments with Machine Learning Models

• arxiv url: http://arxiv.org/abs/2210.14191v1
• Date: Tue, 25 Oct 2022 17:38:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 16:25:26.405587
• Title: A Database of Ultrastable MOFs Reassembled from Stable Fragments with Machine Learning Models
• Title（参考訳）: 機械学習モデルを用いた安定フラグメントから再構成した超安定MOFのデータベース
• Authors: Aditya Nandy, Shuwen Yue, Changhwan Oh, Chenru Duan, Gianmarco G. Terrones, Yongchul G. Chung, and Heather J. Kulik
• Abstract要約: 我々はコミュニティの知識と機械学習モデルを利用して、活性化時に熱的に安定し安定した金属-有機フレームワーク(MOF)を同定する。 我々は、5万以上の構造からなる新しい仮説MOFデータベースを作成し、それまでのデータベースよりも、桁違いに多くの接続網と無機構造ブロックをサンプリングする。 このデータベースは、活性化時に安定であり、1つ以上の標準偏差が実験により得られた平均的なMOFよりも熱的に安定な超安定MOF構造の等級の富化を示す。
• 参考スコア（独自算出の注目度）: 0.3710026260502075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-throughput screening of large hypothetical databases of metal-organic frameworks (MOFs) can uncover new materials, but their stability in real-world applications is often unknown. We leverage community knowledge and machine learning (ML) models to identify MOFs that are thermally stable and stable upon activation. We separate these MOFs into their building blocks and recombine them to make a new hypothetical MOF database of over 50,000 structures that samples orders of magnitude more connectivity nets and inorganic building blocks than prior databases. This database shows an order of magnitude enrichment of ultrastable MOF structures that are stable upon activation and more than one standard deviation more thermally stable than the average experimentally characterized MOF. For the nearly 10,000 ultrastable MOFs, we compute bulk elastic moduli to confirm these materials have good mechanical stability, and we report methane deliverable capacities. Our work identifies privileged metal nodes in ultrastable MOFs that optimize gas storage and mechanical stability simultaneously.
• Abstract（参考訳）: 金属-有機フレームワーク(MOF)の大規模仮想データベースの高スループットスクリーニングは、新しい材料を発見することができるが、実際の応用における安定性はよく分かっていない。 コミュニティ知識と機械学習(ML)モデルを利用して、活性化時に熱的に安定し安定したMOFを特定する。 これらのmofをビルディングブロックに分離し、それらを再結合して、5万以上の構造からなる新しい仮定的なmofデータベースを作り、以前のデータベースよりも桁違いに多くの接続ネットと無機ビルディングブロックをサンプリングします。 本データベースは、活性化時に安定な超安定なmof構造の等級エンリッチメントを示し、平均的な実験的mofよりも複数の標準偏差が熱的に安定であることを示す。 約1万基の超安定mofに対して, バルク弾性係数を計算し, これらの材料の機械的安定性を確認した。 我々の研究は、ガス貯蔵と機械的安定性を同時に最適化する超安定MOFにおける特権金属ノードを特定する。

関連論文リスト

• MOFFlow: Flow Matching for Structure Prediction of Metal-Organic Frameworks [42.61784133509237]
  金属-有機フレームワーク(英: Metal-organic framework、MOF)は、炭素捕獲や薬物の放出といった多くの分野で有望な応用を持つ結晶材料のクラスである。 ab initio計算や深い生成モデルを含む既存のアプローチは、単位セル内の多くの原子のためにMOF構造が複雑になるのに苦労している。 我々はMOF構造予測に適した最初の深部生成モデルMOFFlowを紹介する。
  論文  参考訳（メタデータ） (2024-10-07T13:51:58Z)
• Fine-Tuned Language Models Generate Stable Inorganic Materials as Text [57.01994216693825]
  テキストエンコードされた原子構造データに基づく微調整された大規模言語モデルは、実装が簡単で信頼性が高い。 我々の最強モデルは、CDVAEの約2倍の速度で準安定であると予測された物質を生成することができる。 テキストプロンプト固有の柔軟性のため、我々のモデルは安定物質を無条件に生成するために同時に使用することができる。
  論文  参考訳（メタデータ） (2024-02-06T20:35:28Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。 材料の生成モデルを評価するための追加指標を提案する。
  論文  参考訳（メタデータ） (2023-10-18T15:49:39Z)
• MOFDiff: Coarse-grained Diffusion for Metal-Organic Framework Design [4.819734936375677]
  金属-有機フレームワーク(MOF)は、ガス貯蔵や炭素捕獲といった応用に非常に関心がある。 CGMOF構造を生成する粗粒拡散モデルMOFDiffを提案する。 有効かつ斬新なMOF構造の生成能力と優れたMOF材料の設計における有効性を評価する。
  論文  参考訳（メタデータ） (2023-10-16T18:00:15Z)
• From Peptides to Nanostructures: A Euclidean Transformer for Fast and Stable Machine Learned Force Fields [5.013279299982324]
  本稿では,疎等式表現と自己注意機構を組み合わせたSO3kratesというトランスフォーマーアーキテクチャを提案する。 SO3kratesは精度、安定性、速度の独特な組み合わせを実現し、拡張時間とシステムサイズスケールでの物質の量子特性の洞察に富んだ分析を可能にする。
  論文  参考訳（メタデータ） (2023-09-21T09:22:05Z)
• Building Open Knowledge Graph for Metal-Organic Frameworks (MOF-KG): Challenges and Case Studies [63.61566811532431]
  金属有機フレームワーク(MOF)は、ガス貯蔵、分子分離、化学センシング、結晶および薬物のデリバリーといった応用に革命をもたらす大きな可能性を持っている。 ケンブリッジ構造データベース(CSD)は10,636個のMOF結晶を報告しており、これには114,373個のMOF構造が含まれる。 本稿では,MOF予測,発見,合成を容易にする知識グラフ手法の活用に向けた取り組みについて述べる。
  論文  参考訳（メタデータ） (2022-07-10T16:41:11Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• MOFSimplify: Machine Learning Models with Extracted Stability Data of Three Thousand Metal-Organic Frameworks [0.0]
  我々は、自然言語処理を用いて、金属-有機フレームワーク(MOF)の安定性に関する文献を発掘する。 我々は、定量的不確実性のある新しいMOFの安定性を予測するために機械学習モデルを訓練する。 当社のWebインターフェースであるMOFSimplifyは、ユーザがキュレートされたデータにアクセスし、そのデータを新しいMOFの予測に利用できるようにする。
  論文  参考訳（メタデータ） (2021-09-16T16:37:37Z)
• Using Machine Learning and Data Mining to Leverage Community Knowledge for the Engineering of Stable Metal-Organic Frameworks [0.9187159782788578]
  MOFは、ガス分離から安定性まで、エンジニアリング上の課題を約束している。 限界を克服するために、我々はMOFの安定性の重要な側面について数千のレポートを抽出した。 自然言語処理と自動画像解析を用いて,2,000以上の溶媒除去測定値と3,000以上の熱温度を得る。
  論文  参考訳（メタデータ） (2021-06-24T21:35:26Z)
• 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)

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。