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

• 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)
• Improving Molecular Properties Prediction Through Latent Space Fusion [9.912768918657354]
  本稿では,最先端の化学モデルから導出した潜在空間を組み合わせた多視点手法を提案する。 分子構造をグラフとして表現するMHG-GNNの埋め込みと、化学言語に根ざしたMoLFormerの埋め込みである。 本稿では,既存の最先端手法と比較して,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-10-20T20:29:32Z)
• 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)
• Hybrid quantum-classical machine learning for generative chemistry and drug design [0.0]
  そこで我々は,Boltzmann Machine (RBM) を用いた小型離散分散変分オートエンコーダを構築した。 医薬化学および合成アクセシビリティ特性を有する新規な2331の化学構造を創出する。 結果は、既に存在するか、あるいはすぐに利用可能となる量子コンピューティングデバイスを、将来の薬物発見アプリケーションのためのテストベッドとして使用できる可能性を示している。
  論文  参考訳（メタデータ） (2021-08-26T08:23:32Z)
• 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。