論文の概要: GHP-MOFassemble: Diffusion modeling, high throughput screening, and
molecular dynamics for rational discovery of novel metal-organic frameworks
for carbon capture at scale
- arxiv url: http://arxiv.org/abs/2306.08695v1
- Date: Wed, 14 Jun 2023 18:32:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-16 17:42:12.672263
- Title: GHP-MOFassemble: Diffusion modeling, high throughput screening, and
molecular dynamics for rational discovery of novel metal-organic frameworks
for carbon capture at scale
- Title（参考訳）: GHP-MOFassemble:拡散モデリング、高スループットスクリーニング、分子動力学による炭素捕獲のための新規金属-有機化合物の合理的発見
- Authors: Hyun Park, Xiaoli Yan, Ruijie Zhu, E. A. Huerta, Santanu Chaudhuri,
Donny Cooper, Ian Foster, Emad Tajkhorshid
- Abstract要約: 生成型人工知能(AI)フレームワークであるGHP-MOFassembleを導入し,高いCO2容量と合成可能なリンカーを有する金属-有機系フレームワーク(MOF)の合理的設計を高速化する。
我々のフレームワークは,3つの事前選択ノードのうちの1つをMOFに組み込んだ新しいリンカを生成するために,拡散モデル(生成AIのクラス)を組み合わせる。
これらのAI生成MOFのCO2容量は、結晶グラフ畳み込みニューラルネットワークモデルの修正版を用いて予測される。
- 参考スコア（独自算出の注目度）: 2.10494637945508
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce GHP-MOFassemble, a Generative artificial intelligence (AI), High
Performance framework to accelerate the rational design of metal-organic
frameworks (MOFs) with high CO2 capacity and synthesizable linkers. Our
framework combines a diffusion model, a class of generative AI, to generate
novel linkers that are assembled with one of three pre-selected nodes into MOFs
in a primitive cubic (pcu) topology. The CO2 capacities of these AI-generated
MOFs are predicted using a modified version of the crystal graph convolutional
neural network model. We then use the LAMMPS code to perform molecular dynamics
simulations to relax the AI-generated MOF structures, and identify those that
converge to stable structures, and maintain their porous properties throughout
the simulations. Among 120,000 pcu MOF candidates generated by the
GHP-MOFassemble framework, with three distinct metal nodes (Cu paddlewheel, Zn
paddlewheel, Zn tetramer), a total of 102 structures completed molecular
dynamics simulations at 1 bar with predicted CO2 capacity higher than 2 mmol/g
at 0.1 bar, which corresponds to the top 5% of hMOFs in the hypothetical MOF
(hMOF) dataset in the MOFX-DB database. Among these candidates, 18 have change
in density lower than 1% during molecular dynamics simulations, indicating
their stability. We also found that the top five GHP-MOFassemble's MOF
structures have CO2 capacities higher than 96.9% of hMOF structures. This new
approach combines generative AI, graph modeling, large-scale molecular dynamics
simulations, and extreme scale computing to open up new pathways for the
accelerated discovery of novel MOF structures at scale.
- Abstract（参考訳）: ghp-mofassembleは生成型人工知能(ai)であり、高いco2能力と合成可能なリンカを備えた金属-有機フレームワーク(mofs)の合理的設計を加速する高性能フレームワークである。
我々のフレームワークは,3つの事前選択ノードのうちの1つで組み立てられた新しいリンカを,プリミティブな立方体(pcu)トポロジーでMOFに生成するために,拡散モデルと生成AIのクラスを組み合わせる。
これらのAI生成MOFのCO2容量は、結晶グラフ畳み込みニューラルネットワークモデルの修正版を用いて予測される。
次に、LAMMPS符号を用いて分子動力学シミュレーションを行い、AI生成したMOF構造を緩和し、安定な構造に収束する構造を特定し、シミュレーションを通して多孔質性を維持する。
GHP-MOFassembleフレームワークによって生成された12万のpcu MOF候補のうち、合計102の分子動力学シミュレーションが1バーで完了し、1バーで2 mmol/g以上のCO2容量が0.1バーで予測され、MOFX-DBデータベースの仮説MOF(hMOF)データセットにおけるhMOFの上位5%に相当する。
これらの候補のうち、18は分子動力学シミュレーションにおいて1%未満の密度変化を示し、安定性を示している。
また、上位5つのGHP-MOFassembleのMOF構造は、96.9%のhMOF構造よりもCO2容量が高いことがわかった。
この新しいアプローチは、生成型ai、グラフモデリング、大規模分子動力学シミュレーション、極端な計算を組み合わせて、新しいmof構造を大規模に発見するための新しい経路を開く。
関連論文リスト
- MOFFlow: Flow Matching for Structure Prediction of Metal-Organic Frameworks [42.61784133509237]
金属-有機フレームワーク(英: Metal-organic framework、MOF)は、炭素捕獲や薬物の放出といった多くの分野で有望な応用を持つ結晶材料のクラスである。
ab initio計算や深い生成モデルを含む既存のアプローチは、単位セル内の多くの原子のためにMOF構造が複雑になるのに苦労している。
我々はMOF構造予測に適した最初の深部生成モデルMOFFlowを紹介する。
論文 参考訳（メタデータ） (2024-10-07T13:51:58Z) - Exploration of Quantum Computing in Materials Discovery for Direct Air Capture Applications [0.06827423171182154]
二酸化炭素の直接空気捕捉(DAC)は気候変動を緩和するための有望な方法である。
金属-有機フレームワークのような固形剤は、現在DACアプリケーションでテストされている。
従来の計算ハードウェアと量子コンピューティングハードウェアの両方でシミュレーションを行うために、qubit-ADAPT-VQE技術を適用した。
論文 参考訳（メタデータ） (2024-04-19T18:11:38Z) - Quantum Simulations for Carbon Capture on Metal-Organic Frameworks [0.0]
DACは、大気中から二酸化炭素を捕獲する自然過程に依存しない技術的な解決策である。
我々は、量子コンピューティングのポテンシャルを活用して、DACで使用されるフィルタを改善することを目指している。
論文 参考訳（メタデータ） (2023-11-21T07:58:02Z) - MOFDiff: Coarse-grained Diffusion for Metal-Organic Framework Design [4.819734936375677]
金属-有機フレームワーク(MOF)は、ガス貯蔵や炭素捕獲といった応用に非常に関心がある。
CGMOF構造を生成する粗粒拡散モデルMOFDiffを提案する。
有効かつ斬新なMOF構造の生成能力と優れたMOF材料の設計における有効性を評価する。
論文 参考訳（メタデータ） (2023-10-16T18:00:15Z) - Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based
Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。
本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
論文 参考訳（メタデータ） (2022-09-15T13:52:15Z) - Building Open Knowledge Graph for Metal-Organic Frameworks (MOF-KG):
Challenges and Case Studies [63.61566811532431]
金属有機フレームワーク(MOF)は、ガス貯蔵、分子分離、化学センシング、結晶および薬物のデリバリーといった応用に革命をもたらす大きな可能性を持っている。
ケンブリッジ構造データベース(CSD)は10,636個のMOF結晶を報告しており、これには114,373個のMOF構造が含まれる。
本稿では,MOF予測,発見,合成を容易にする知識グラフ手法の活用に向けた取り組みについて述べる。
論文 参考訳（メタデータ） (2022-07-10T16:41:11Z) - Graph Machine Learning for Design of High-Octane Fuels [47.43758223690195]
コンピュータ支援分子設計(CAMD)は、所望の自己着火特性を持つ分子を識別することができる。
本稿では,生成グラフMLモデルとグラフニューラルネットワークと最適化を統合したグラフ-ML CAMDフレームワークを提案する。
我々は、さらなる自動点火訓練データの必要性を実験的に調査し、説明するために使用した。
論文 参考訳（メタデータ） (2022-06-01T16:43:04Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳（メタデータ） (2022-05-17T13:08:28Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z) - Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。
QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。
QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-03T18:51:18Z) - Scaffold-constrained molecular generation [0.0]
SMILESをベースとしたリカレントニューラルネットワーク(Recurrent Neural Network, RNN)生成モデルを構築し, 足場制約付き生成を実現するため, サンプリング手法を改良した。
本稿では,様々なタスクにおいて足場制約付き生成を行う手法について紹介する。
論文 参考訳（メタデータ） (2020-09-15T15:41:18Z)
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。