論文の概要: Neural Network Predicts Ion Concentration Profiles under Nanoconfinement

• arxiv url: http://arxiv.org/abs/2304.04896v1
• Date: Mon, 10 Apr 2023 23:51:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-12 16:47:25.237830
• Title: Neural Network Predicts Ion Concentration Profiles under Nanoconfinement
• Title（参考訳）: ニューラルネットワークによるナノコンフィニメント下でのイオン濃度分布予測
• Authors: Zhonglin Cao, Yuyang Wang, Cooper Lorsung, Amir Barati Farimani
• Abstract要約: ナノチャネルにおけるイオン濃度分布のモデル化は、電気二重層と電気浸透流を理解する上で重要な役割を果たす。 分子動力学(MD)シミュレーションは、ナノコンフィニメント下でのイオンの挙動を研究するための重要なツールとしてしばしば用いられる。 本研究では, チャネル幅, イオンモル性, イオンタイプなど, 異なる構成のナノチャネルにおけるイオン濃度分布を予測するニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 8.048439531116367
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling the ion concentration profile in nanochannel plays an important role in understanding the electrical double layer and electroosmotic flow. Due to the non-negligible surface interaction and the effect of discrete solvent molecules, molecular dynamics (MD) simulation is often used as an essential tool to study the behavior of ions under nanoconfinement. Despite the accuracy of MD simulation in modeling nanoconfinement systems, it is computationally expensive. In this work, we propose neural network to predict ion concentration profiles in nanochannels with different configurations, including channel widths, ion molarity, and ion types. By modeling the ion concentration profile as a probability distribution, our neural network can serve as a much faster surrogate model for MD simulation with high accuracy. We further demonstrate the superior prediction accuracy of neural network over XGBoost. Lastly, we demonstrated that neural network is flexible in predicting ion concentration profiles with different bin sizes. Overall, our deep learning model is a fast, flexible, and accurate surrogate model to predict ion concentration profiles in nanoconfinement.
• Abstract（参考訳）: ナノチャネル中のイオン濃度プロファイルのモデル化は、電気二重層と電気浸透流を理解する上で重要な役割を果たす。 非無視的な表面相互作用と離散溶媒分子の影響により、分子動力学(MD)シミュレーションはナノコンフィニメント下でのイオンの挙動を研究する重要なツールとしてしばしば用いられる。 ナノコンフィニメントシステムのモデリングにおけるMDシミュレーションの精度は高いが、計算コストは高い。 本研究では, チャネル幅, イオンモル性, イオンタイプなど, 異なる構成のナノチャネルにおけるイオン濃度分布を予測するニューラルネットワークを提案する。 イオン濃度プロファイルを確率分布としてモデル化することにより,mdシミュレーションの高速サロゲートモデルとして,精度の高いニューラルネットワークが利用できる。 さらに、XGBoostよりもニューラルネットワークの予測精度が優れていることを示す。 最後に,ビンサイズの異なるイオン濃度プロファイルの予測にニューラルネットワークが柔軟であることを実証した。 全体的に、我々のディープラーニングモデルは高速で柔軟で正確なサロゲートモデルであり、ナノ閉じ込めにおけるイオン濃度プロファイルを予測します。

関連論文リスト

• Neural Network Emulator for Atmospheric Chemical ODE [6.84242299603086]
  高速な化学濃度モデリングのためのニューラルネットワークエミュレータを提案する。 初期状態と今後の時間進化の間の隠れた相関関係を抽出するために,ChemNNEを提案する。 提案手法は,モデリング精度と計算速度において最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-08-03T17:43:10Z)
• Fully Spiking Denoising Diffusion Implicit Models [61.32076130121347]
  スパイキングニューラルネットワーク(SNN)は、超高速のニューロモルフィックデバイス上で走る能力のため、かなりの注目を集めている。 本研究では,SNN内で拡散モデルを構築するために,拡散暗黙モデル (FSDDIM) を完全にスパイクする新しい手法を提案する。 提案手法は,最先端の完全スパイク生成モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-04T09:07:09Z)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Denoise Pretraining on Nonequilibrium Molecules for Accurate and Transferable Neural Potentials [8.048439531116367]
  より正確で伝達可能なGNNポテンシャル予測を実現するために,非平衡分子配座の事前学習を提案する。 小分子で事前学習したモデルでは、顕著な伝達性を示し、多様な分子系で微調整された場合の性能が向上した。
  論文  参考訳（メタデータ） (2023-03-03T21:15:22Z)
• Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a Polynomial Net Study [55.12108376616355]
  NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。 本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。 我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
  論文  参考訳（メタデータ） (2022-09-16T06:36:06Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Neural net modeling of equilibria in NSTX-U [0.0]
  我々は平衡モデルと形状制御モデルに関連する2つのニューラルネットワークを開発する。 ネットワークにはEFIT01再構成アルゴリズムでトレーニングされた自由境界均衡解法であるEqnetと、Gspert符号でトレーニングされたPertnetが含まれる。 本報告では,これらのモデルが閉ループシミュレーションで確実に使用できることを示す。
  論文  参考訳（メタデータ） (2022-02-28T16:09:58Z)
• Fast and Sample-Efficient Interatomic Neural Network Potentials for Molecules and Materials Based on Gaussian Moments [3.1829446824051195]
  従来のGM-NNモデルに基づいて改良されたNNアーキテクチャを提案する。 改善された方法論は、アクティブラーニングやラーニング・オン・ザ・フライ(Learning-on-the-fly)といったトレーニング・ヘビーの前提条件である。
  論文  参考訳（メタデータ） (2021-09-20T14:23:34Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)

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。