論文の概要: Composition based oxidation state prediction of materials using deep learning

• arxiv url: http://arxiv.org/abs/2211.15895v1
• Date: Tue, 29 Nov 2022 03:24:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 17:41:29.467031
• Title: Composition based oxidation state prediction of materials using deep learning
• Title（参考訳）: 深層学習を用いた材料の組成に基づく酸化状態予測
• Authors: Nihang Fu, Jeffrey Hu, Ying Feng, Gregory Morrison, Hans-Conrad zur Loye, Jianjun Hu
• Abstract要約: 本研究は, 化学組成のみを付与した無機化合物の全元素の酸化状態を予測するための, 深層学習に基づく BERT 変換言語モデル BERTOS を提案する。 本モデルでは,全元素酸化状態の96.82%の精度をICSDデータセット上でベンチマークし,酸化材料の97.61%の精度を示した。
• 参考スコア（独自算出の注目度）: 1.0765359420035392
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Oxidation states are the charges of atoms after their ionic approximation of their bonds, which have been widely used in charge-neutrality verification, crystal structure determination, and reaction estimation. Currently only heuristic rules exist for guessing the oxidation states of a given compound with many exceptions. Recent work has developed machine learning models based on heuristic structural features for predicting the oxidation states of metal ions. However, composition based oxidation state prediction still remains elusive so far, which is more important in new material discovery for which the structures are not even available. This work proposes a novel deep learning based BERT transformer language model BERTOS for predicting the oxidation states of all elements of inorganic compounds given only their chemical composition. Our model achieves 96.82\% accuracy for all-element oxidation states prediction benchmarked on the cleaned ICSD dataset and achieves 97.61\% accuracy for oxide materials. We also demonstrate how it can be used to conduct large-scale screening of hypothetical material compositions for materials discovery.
• Abstract（参考訳）: 酸化状態は、それらの結合のイオン近似後の原子の電荷であり、電荷-中立性検証、結晶構造決定、反応推定に広く用いられている。 現在、多くの例外がある化合物の酸化状態を予測するためのヒューリスティックな規則が存在する。 近年,金属イオンの酸化状態を予測するためのヒューリスティック構造に基づく機械学習モデルが開発されている。 しかし, 組成に基づく酸化状態予測はいまだ解明されていないため, 構造が得られない新しい材料発見において, より重要である。 本研究は, 化学組成のみを付与した無機化合物の全元素の酸化状態を予測するための, 深層学習に基づく BERT 変換言語モデル BERTOS を提案する。 本モデルでは, クリーン化ICSDデータセット上でベンチマークした全元素酸化状態予測の精度96.82 %, 酸化物材料の精度97.61 %を実現している。 また, 材料発見のための仮定的材料組成の大規模スクリーニングにも利用できることを示す。

関連論文リスト

• OBELiX: A Curated Dataset of Crystal Structures and Experimentally Measured Ionic Conductivities for Lithium Solid-State Electrolytes [44.16223940507546]
  固体電解質電池は近い将来、液体電解質リチウムイオン電池を置き換えることが期待されている。 イオン伝導性の高い物質を見つけるには時間と資源がかかる。 OBELiXは、合成固体電解質材料と室温イオン伝導度を実験的に測定したデータベースである。
  論文  参考訳（メタデータ） (2025-02-20T03:59:35Z)
• Known Unknowns: Out-of-Distribution Property Prediction in Materials and Molecules [19.071396780849344]
  高性能材料や分子の発見には、既知の分布外にある性質値を持つ極端を同定する必要がある。 我々の目標は、ゼロショットをトレーニングデータよりも高い範囲に外挿する予測モデルを訓練することである。 我々は,OOD特性予測へのトランスダクティブアプローチを用いて,予測精度の向上を実現することを提案する。
  論文  参考訳（メタデータ） (2025-02-09T17:37:36Z)
• Materials-Discovery Workflows Guided by Symbolic Regression: Identifying Acid-Stable Oxides for Electrocatalysis [0.0]
  本研究では,真独立性スクリーニングとスペーサー化演算子(SISSO)のシンボリック・レグレッション・アプローチに基づくALワークフローを開発する。 我々は、平均予測とその不確実性を定量化するためにSISSOモデルのアンサンブルを訓練し、アクティブラーニングにおけるSISSOの使用を可能にする。 高品質DFT-HSE06計算を用いて酸性安定酸化物を分離し,SISSO誘導ALワークフローを実証した。
  論文  参考訳（メタデータ） (2024-12-08T14:09:15Z)
• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  RAlignは、様々な有機反応関連タスクのための新しい化学反応表現学習モデルである。 反応物質と生成物との原子対応を統合することにより、反応中に起こる分子変換を識別する。 モデルが重要な機能群に集中できるように,反応中心認識型アテンション機構を導入する。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• 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)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)
• Towards the design of chemical reactions: Machine learning barriers of competing mechanisms in reactant space [0.0]
  本稿では,アクティベーションエネルギーと遷移状態ジオメトリを迅速かつ正確に推論するリアクション・ツー・バリア(R2B)機械学習モデルを提案する。 R2Bは、トレーニングセットが大きくなるにつれて精度を向上し、反応体の入力のみの分子グラフ情報を必要とする。 有機合成,E2およびSN2に関連する2つの競合するテキストブック反応に対するR2Bの適用性を示す数値的な証拠を提供する。
  論文  参考訳（メタデータ） (2020-09-28T15:50:32Z)
• Graph Neural Networks for the Prediction of Substrate-Specific Organic Reaction Conditions [79.45090959869124]
  有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。 実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2020-07-08T17:21:00Z)

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。