論文の概要: Machine Guided Discovery of Novel Carbon Capture Solvents

• arxiv url: http://arxiv.org/abs/2303.14223v1
• Date: Fri, 24 Mar 2023 18:32:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 21:16:01.322451
• Title: Machine Guided Discovery of Novel Carbon Capture Solvents
• Title（参考訳）: 新規炭素捕集溶媒の機械ガイドによる発見
• Authors: James L. McDonagh, Benjamin H. Wunsch, Stamatia Zavitsanou, Alexander Harrison, Bruce Elmegreen, Stacey Gifford, Theodore van Kessel, and Flaviu Cipcigan
• Abstract要約: 機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。 そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。 予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
• 参考スコア（独自算出の注目度）: 48.7576911714538
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The increasing importance of carbon capture technologies for deployment in remediating CO2 emissions, and thus the necessity to improve capture materials to allow scalability and efficiency, faces the challenge of materials development, which can require substantial costs and time. Machine learning offers a promising method for reducing the time and resource burdens of materials development through efficient correlation of structure-property relationships to allow down-selection and focusing on promising candidates. Towards demonstrating this, we have developed an end-to-end "discovery cycle" to select new aqueous amines compatible with the commercially viable acid gas scrubbing carbon capture. We combine a simple, rapid laboratory assay for CO2 absorption with a machine learning based molecular fingerprinting model approach. The prediction process shows 60% accuracy against experiment for both material parameters and 80% for a single parameter on an external test set. The discovery cycle determined several promising amines that were verified experimentally, and which had not been applied to carbon capture previously. In the process we have compiled a large, single-source data set for carbon capture amines and produced an open source machine learning tool for the identification of amine molecule candidates (https://github.com/IBM/Carbon-capture-fingerprint-generation).
• Abstract（参考訳）: 二酸化炭素排出量の削減に炭素捕獲技術の重要性が高まり、スケーラビリティと効率性を実現するために捕獲材料を改善する必要性が高まり、かなりのコストと時間を要する材料開発が課題となっている。 機械学習は、構造とプロパティの関係の効率的な相関によって、材料開発における時間と資源の負担を軽減し、ダウンセレクションを可能にし、有望な候補に焦点を当てる、有望な方法を提供する。 これを実証するために, 市販の酸性ガススクラップ式炭酸ガスに適合する新しい水性アミンを抽出する「発見サイクル」を開発した。 簡便で迅速なCO2吸収測定法と機械学習に基づく分子フィンガープリントモデルによるアプローチを組み合わせる。 予測プロセスでは,材料パラメータの両実験に対する60%の精度と,外部テストセット上の単一パラメータに対する80%の精度を示す。 発見サイクルは、実験的に検証され、以前に炭素捕獲に応用されなかったいくつかの有望なアミンを決定づけた。 この過程で、炭素捕獲アミンのための大規模な単一ソースデータセットをコンパイルし、アミン分子候補を特定するためのオープンソースの機械学習ツールを作成した(https://github.com/IBM/Carbon-capture-fingerprint-generation)。

関連論文リスト

• KinDEL: DNA-Encoded Library Dataset for Kinase Inhibitors [2.0179908661487986]
  KinDELは2つのキナーゼ上のDELデータセットとして初めて公開された。 我々は、ヒット識別のための予測モデルを開発するために、異なる機械学習手法をベンチマークする。 我々は、分子の小さなサブセット上でモデルを検証するために、オンとオフの両方で生物物理学的なアッセイデータを提供する。
  論文  参考訳（メタデータ） (2024-10-11T16:03:58Z)
• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• CarbonSense: A Multimodal Dataset and Baseline for Carbon Flux Modelling [9.05128569357374]
  データ駆動型カーボンフラックスモデリングのための、最初の機械学習対応データセットであるCarbonSenseを紹介する。 我々の実験は、マルチモーダルなディープラーニング技術がこの領域にもたらす可能性を示している。
  論文  参考訳（メタデータ） (2024-06-07T13:47:40Z)
• Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
  ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている 本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。 本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
  論文  参考訳（メタデータ） (2024-04-28T05:46:28Z)
• Exploring the Carbon Footprint of Hugging Face's ML Models: A Repository Mining Study [8.409033836300761]
  この研究には、炭素排出量に関するHugging Face Hub APIに関する最初のリポジトリマイニング研究が含まれている。 本研究は,(1)MLモデル作成者がHugging Face Hub上でどのように二酸化炭素を計測し,報告するか,(2)トレーニングMLモデルの二酸化炭素排出量にどのような影響があるのか,という2つの研究課題に答えようとしている。
  論文  参考訳（メタデータ） (2023-05-18T17:52:58Z)
• Counting Carbon: A Survey of Factors Influencing the Emissions of Machine Learning [77.62876532784759]
  機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。 このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。 本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
  論文  参考訳（メタデータ） (2023-02-16T18:35:00Z)
• Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
  我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。 私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-10T17:04:04Z)
• Joint Study of Above Ground Biomass and Soil Organic Carbon for Total Carbon Estimation using Satellite Imagery in Scotland [0.0]
  ランドカーボンの検証は、長い間、カーボンクレジット市場の課題だった。 リモートセンシング技術により、土壌有機炭素(SOC)とAGB(Above Ground Biomass)の変化をモニタリングできる
  論文  参考訳（メタデータ） (2022-05-08T20:23:30Z)
• Carbon Footprint of Selecting and Training Deep Learning Models for Medical Image Analysis [0.2936007114555107]
  医用画像解析のための深層学習モデル(MIA)の開発における炭素フットプリントに着目した。 DLの炭素フットプリントを定量化するための4つのツールの特徴を提示し比較する。 モデル選択とトレーニングプロセスをより効率的にするための環境影響を減らすための簡単な戦略について論じる。
  論文  参考訳（メタデータ） (2022-03-04T09:22:47Z)
• 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)

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。