論文の概要: Rapid Design of Top-Performing Metal-Organic Frameworks with Qualitative
Representations of Building Blocks
- arxiv url: http://arxiv.org/abs/2302.09184v1
- Date: Fri, 17 Feb 2023 23:24:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 19:58:10.930916
- Title: Rapid Design of Top-Performing Metal-Organic Frameworks with Qualitative
Representations of Building Blocks
- Title（参考訳）: ビルディングブロックの定性表現を用いたトップパーパフォーミング型金属-有機フレームワークの高速設計
- Authors: Yigitcan Comlek, Thang Duc Pham, Randall Snurr, Wei Chen
- Abstract要約: 金属フレームワーク(MOF)は、そのような物質システムの一例である。
異なるビルディングブロックによるMOFの表現は、設計者が質的な情報を設計の最適化に組み込むことを困難にしている。
本研究では,遅延可変ガウス過程 (LVGP) と多目的バッチベイズ最適化 (MOBBO) を統合し,人間の介入なしに高い性能のMOFを適応的に,自律的に,効率的に識別する。
- 参考スコア（独自算出の注目度）: 6.739378766136524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven materials design often encounters challenges where systems
require or possess qualitative (categorical) information. Metal-organic
frameworks (MOFs) are an example of such material systems. The representation
of MOFs through different building blocks makes it a challenge for designers to
incorporate qualitative information into design optimization. Furthermore, the
large number of potential building blocks leads to a combinatorial challenge,
with millions of possible MOFs that could be explored through time consuming
physics-based approaches. In this work, we integrated Latent Variable Gaussian
Process (LVGP) and Multi-Objective Batch-Bayesian Optimization (MOBBO) to
identify top-performing MOFs adaptively, autonomously, and efficiently without
any human intervention. Our approach provides three main advantages: (i) no
specific physical descriptors are required and only building blocks that
construct the MOFs are used in global optimization through qualitative
representations, (ii) the method is application and property independent, and
(iii) the latent variable approach provides an interpretable model of
qualitative building blocks with physical justification. To demonstrate the
effectiveness of our method, we considered a design space with more than 47,000
MOF candidates. By searching only ~1% of the design space, LVGP-MOBBO was able
to identify all MOFs on the Pareto front and more than 97% of the 50
top-performing designs for the CO$_2$ working capacity and CO$_2$/N$_2$
selectivity properties. Finally, we compared our approach with the Random
Forest algorithm and demonstrated its efficiency, interpretability, and
robustness.
- Abstract（参考訳）: データ駆動材料設計は、システムが質的な(カテゴリー的な)情報を必要とする、または保持する課題にしばしば遭遇する。
金属-有機フレームワーク(mofs)は、そのような材料システムの例である。
異なるビルディングブロックによるMOFの表現は、設計者が質的な情報を設計の最適化に組み込むことを困難にしている。
さらに、多くの潜在的なビルディングブロックが組み合わさった挑戦につながり、物理学に基づくアプローチに時間を費やすことで、数百万のMOFが探索できる可能性がある。
本研究では,遅延可変ガウス過程 (LVGP) と多目的バッチベイズ最適化 (MOBBO) を統合し,人間の介入なしに高い性能のMOFを適応的に,自律的に,効率的に識別する。
私たちのアプローチには3つの大きな利点があります
(i) 特定の物理記述子は不要であり, 定性表現による大域最適化においてMOFを構成するブロックのみが使用される。
(ii)その方法は、適用及び財産独立であり、
(iii)潜在変数アプローチは、物理的正当化を伴う質的ビルディングブロックの解釈可能なモデルを提供する。
提案手法の有効性を示すために, 47,000 以上の MOF 候補を持つ設計空間を検討した。
LVGP-MOBBOは、設計空間のわずか1%しか探索せず、パレートフロントのすべてのMOFを識別することができ、CO$_2$作業容量とCO$_2$/N$_2$選択性を持つ50の最高性能設計の97%以上を達成できた。
最後に,本手法をランダムフォレストアルゴリズムと比較し,その効率,解釈性,ロバスト性を示した。
関連論文リスト
- PERFT: Parameter-Efficient Routed Fine-Tuning for Mixture-of-Expert Model [30.620582168350698]
Mixture-of-Experts (MoE) は、リソース利用を改善することでトランスフォーマーをスケールするための強力なアプローチとして登場した。
PEFT(Efficient Fine-Tuning)に関する最近の研究から着想を得て,PEFTモジュールを直接MoE機構に統合するための統一フレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-12T22:03:37Z) - Efficient and Effective Weight-Ensembling Mixture of Experts for Multi-Task Model Merging [111.8456671452411]
マルチタスク学習(MTL)は、共有モデルを利用して複数のタスクを遂行し、知識伝達を促進する。
マルチタスクモデル統合のためのウェイトエンセブリング・ミックス・オブ・エキスパート(WEMoE)手法を提案する。
WEMoEとE-WEMoEは, MTL性能, 一般化, 堅牢性の観点から, 最先端(SOTA)モデルマージ法より優れていることを示す。
論文 参考訳（メタデータ） (2024-10-29T07:16:31Z) - Inverse Design of Metal-Organic Frameworks Using Quantum Natural Language Processing [0.0]
本稿では、量子自然言語処理(QNLP)を用いて、ターゲットとなる特性を持つ設計用金属フレームワーク(MOF)を逆設計する可能性について検討する。
150の仮説MOF構造を解析することにより、これらを細孔体積と$H_2$取り込み値の4つの異なるクラスに分類する。
量子回路の確率的性質に合わせて,多クラス分類モデルを開発した。
論文 参考訳（メタデータ） (2024-05-20T05:02:12Z) - Intuition-aware Mixture-of-Rank-1-Experts for Parameter Efficient Finetuning [50.73666458313015]
大規模言語モデル(LLM)はマルチメディアアプリケーションで複数のタスクを実行する上で大きな可能性を証明している。
MoEは、効率的なタスクデカップリングのためのスパースアーキテクチャによる有望なソリューションとして登場した。
Intuition-MoR1Eは14のパブリックデータセットで優れた効率と2.15%の全体的な精度向上を実現している。
論文 参考訳（メタデータ） (2024-04-13T12:14:58Z) - Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳（メタデータ） (2024-03-20T00:41:12Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。
このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。
種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
論文 参考訳（メタデータ） (2023-06-01T04:50:06Z) - MOFormer: Self-Supervised Transformer model for Metal-Organic Framework
Property Prediction [7.367477168940467]
金属有機フレームワーク(英: Metal-Organic Frameworks、MOFs)は、エネルギー貯蔵、脱塩、ガス貯蔵、ガス分離などの用途に使用できる多孔質材料である。
特定のアプリケーションに最適なMOFを見つけるには、膨大な数の候補を効率よく正確に探索する必要がある。
そこで本研究では,MOFの特性予測のために,MOFormerと呼ばれるトランスフォーマーモデルに基づく構造に依存しないディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-10-25T17:29:42Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z)
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。