論文の概要: AdsorbML: A Leap in Efficiency for Adsorption Energy Calculations using Generalizable Machine Learning Potentials

• arxiv url: http://arxiv.org/abs/2211.16486v3
• Date: Fri, 15 Sep 2023 19:56:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 01:09:35.174713
• Title: AdsorbML: A Leap in Efficiency for Adsorption Energy Calculations using Generalizable Machine Learning Potentials
• Title（参考訳）: AdsorbML: 一般化可能な機械学習ポテンシャルを用いた吸着エネルギー計算の効率化
• Authors: Janice Lan, Aini Palizhati, Muhammed Shuaibi, Brandon M. Wood, Brook Wander, Abhishek Das, Matt Uyttendaele, C. Lawrence Zitnick, Zachary W. Ulissi
• Abstract要約: 機械学習のポテンシャルを利用して、低エネルギー吸着面の配置をより正確に、効率的に特定できることを示す。 我々のアルゴリズムは、精度と効率のトレードオフのスペクトルを提供し、1つのバランスの取れたオプションは、その時間の87.36%のエネルギー構成を見つける。
• 参考スコア（独自算出の注目度）: 8.636519538557001
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational catalysis is playing an increasingly significant role in the design of catalysts across a wide range of applications. A common task for many computational methods is the need to accurately compute the adsorption energy for an adsorbate and a catalyst surface of interest. Traditionally, the identification of low energy adsorbate-surface configurations relies on heuristic methods and researcher intuition. As the desire to perform high-throughput screening increases, it becomes challenging to use heuristics and intuition alone. In this paper, we demonstrate machine learning potentials can be leveraged to identify low energy adsorbate-surface configurations more accurately and efficiently. Our algorithm provides a spectrum of trade-offs between accuracy and efficiency, with one balanced option finding the lowest energy configuration 87.36% of the time, while achieving a 2000x speedup in computation. To standardize benchmarking, we introduce the Open Catalyst Dense dataset containing nearly 1,000 diverse surfaces and 100,000 unique configurations.
• Abstract（参考訳）: 計算触媒は、幅広い応用における触媒の設計において、ますます重要な役割を担っている。 多くの計算手法において一般的な課題は、吸着剤と触媒表面の吸着エネルギーを正確に計算する必要があることである。 伝統的に、低エネルギー吸着面配置の同定はヒューリスティックな方法と研究者の直観に依存する。 高スループットのスクリーニングを行うという欲求が高まるにつれ、ヒューリスティックと直観だけでは使用が困難になる。 本稿では,低エネルギー吸着面の構成をより正確に効率的に識別するために,機械学習のポテンシャルを活用できることを実証する。 このアルゴリズムは、精度と効率のトレードオフのスペクトルを提供し、1つのバランスのとれたオプションで、最低エネルギー構成の87.36%を計算の2000倍のスピードアップを達成する。 ベンチマークの標準化のために,約1,000の多様な表面と10000のユニークな構成を含むOpen Catalyst Denseデータセットを紹介した。

関連論文リスト

• Learning Lightweight Object Detectors via Multi-Teacher Progressive Distillation [56.053397775016755]
  本稿では,教師検出器の知識を学生に段階的に伝達する,知識蒸留への逐次的アプローチを提案する。 私たちの知識を最大限に活用するために、私たちはTransformerベースの教師検出器から、畳み込みベースの学生まで、初めて知識を抽出しました。
  論文  参考訳（メタデータ） (2023-08-17T17:17:08Z)
• Applicability of Quantum Computing to Oxygen Reduction Reaction Simulations [2.0692996312646765]
  本研究では,白金および白金を担持したコバルト表面における電気触媒的酸素還元反応(ORR)の古典的・量子的研究を行った。 InQuantosupertextscript(TM)に実装されたそのようなワークフローの実現可能性を示し、H1-1トラップイオン量子コンピュータ上でそれを実証する。
  論文  参考訳（メタデータ） (2023-07-28T21:49:00Z)
• PhAST: Physics-Aware, Scalable, and Task-specific GNNs for Accelerated Catalyst Design [124.45503975077983]
  触媒材料は、多くの産業プロセスに関わる電気化学反応において重要な役割を担っている。 機械学習は、大量のデータから材料特性を効率的にモデル化する可能性を秘めている。 本稿では,ほとんどのアーキテクチャに適用可能なタスク固有のイノベーションを提案し,計算効率と精度を両立させる。
  論文  参考訳（メタデータ） (2022-11-22T05:24:30Z)
• Faster spectral density calculation using energy moments [77.34726150561087]
  我々は、最近提案されたガウス積分変換法を、ハミルトニアン系のフーリエモーメントの観点から再構成する。 このフレームワークの主な利点の1つは、計算コストの大幅な削減を可能にすることである。
  論文  参考訳（メタデータ） (2022-11-01T23:57:58Z)
• Classical Half-Adder using Trapped-ion Quantum Bits: Towards Energy-efficient Computation [0.0]
  本稿では,古典計算に適したToffoli回路とHalf-Adder回路を提案する。 我々は論理ゲートを操作するのに必要なエネルギーを理論的にも実験的にも網羅的に分析する。
  論文  参考訳（メタデータ） (2022-10-19T11:23:18Z)
• Exploring the role of parameters in variational quantum algorithms [59.20947681019466]
  動的リー代数の階数を用いた変分量子回路のキャラクタリゼーションのための量子制御に着想を得た手法を提案する。 有望な接続は、リーランク、計算されたエネルギーの精度、および所定の回路アーキテクチャを介して目標状態を達成するために必要な深さとの間のものである。
  論文  参考訳（メタデータ） (2022-09-28T20:24:53Z)
• Learned Force Fields Are Ready For Ground State Catalyst Discovery [60.41853574951094]
  学習密度汎関数理論(DFT'')力場が基底触媒発見の準備ができていることを示す。 鍵となる発見は、学習されたポテンシャルからの力による緩和は、評価されたシステムの50%以上においてRPBE関数を用いて緩和された構造と似た、または低いエネルギーを持つ構造をもたらすことである。 対象のDFTエネルギーと同じ最小値の局所調和エネルギー表面上で訓練された力場は、50%以上のケースで低又は類似のエネルギー構造を見出すことができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T07:16:43Z)
• 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)
• Energy-Efficient and Federated Meta-Learning via Projected Stochastic Gradient Ascent [79.58680275615752]
  エネルギー効率のよいメタラーニングフレームワークを提案する。 各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
  論文  参考訳（メタデータ） (2021-05-31T08:15:44Z)
• Atomistic Structure Learning Algorithm with surrogate energy model relaxation [0.0]
  Atomistic Structure Learning Algorithmは、ニューラルネットワークを利用して画像認識と強化学習を可能にする。 ベンゼン造成におけるASLAの性能は, 代理エネルギー景観を利用して著しく向上した。 ASLAは、以前は走査型トンネル顕微鏡画像に基づいて推測されていた表面再構成を成功裏に同定した。
  論文  参考訳（メタデータ） (2020-07-15T07:43:18Z)

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。