論文の概要: Prediction of Diblock Copolymer Morphology via Machine Learning
- arxiv url: http://arxiv.org/abs/2308.16886v1
- Date: Thu, 31 Aug 2023 17:45:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-01 13:33:15.932819
- Title: Prediction of Diblock Copolymer Morphology via Machine Learning
- Title(参考訳): 機械学習によるブロック共重合体の形態予測
- Authors: Hyun Park, Boyuan Yu, Juhae Park, Ge Sun, Emad Tajkhorshid, Juan J. de
Pablo, and Ludwig Schneider
- Abstract要約: 長い時間スケールでのブロックポリマーのモルフォロジー進化の計算を高速化するための機械学習手法が提案されている。
経験的消滅モデルとは対照的に,提案手法は粒子シミュレーションから直接連続的に駆動される欠陥過程について学習する。
この研究は、指向的な自己組織化とマイクロエレクトロニクス、電池材料、膜における材料設計に影響を及ぼす。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A machine learning approach is presented to accelerate the computation of
block polymer morphology evolution for large domains over long timescales. The
strategy exploits the separation of characteristic times between coarse-grained
particle evolution on the monomer scale and slow morphological evolution over
mesoscopic scales. In contrast to empirical continuum models, the proposed
approach learns stochastically driven defect annihilation processes directly
from particle-based simulations. A UNet architecture that respects different
boundary conditions is adopted, thereby allowing periodic and fixed substrate
boundary conditions of arbitrary shape. Physical concepts are also introduced
via the loss function and symmetries are incorporated via data augmentation.
The model is validated using three different use cases. Explainable artificial
intelligence methods are applied to visualize the morphology evolution over
time. This approach enables the generation of large system sizes and long
trajectories to investigate defect densities and their evolution under
different types of confinement. As an application, we demonstrate the
importance of accessing late-stage morphologies for understanding particle
diffusion inside a single block. This work has implications for directed
self-assembly and materials design in micro-electronics, battery materials, and
membranes.
- Abstract(参考訳): 長期にわたる大規模ドメインに対するブロックポリマーのモルフォロジー進化の計算を高速化する機械学習手法を提案する。
この戦略は, モノマースケールにおける粗粒粒子の粒度変化と, メソスコピックスケールにおけるスローモルフォロジー進化の分離を生かしている。
経験的連続体モデルとは対照的に,提案手法は粒子シミュレーションから直接確率論的に駆動された欠陥消滅過程を学習する。
異なる境界条件を尊重するunetアーキテクチャを採用し、任意の形状の周期的および固定的な基板境界条件を許容する。
物理概念は損失関数を通しても導入され、対称性はデータ拡張によって取り入れられる。
モデルは3つの異なるユースケースで検証される。
説明可能な人工知能手法を用いて、時間とともに形態の進化を可視化する。
このアプローチにより、大きなシステムサイズと長い軌道を生成して、異なる種類の閉じ込め下で欠陥密度とその進化を調査することができる。
応用として,1ブロック内の粒子拡散を理解するために,後期形態素にアクセスすることの重要性を示す。
この研究は、指向的な自己組織化とマイクロエレクトロニクス、電池材料、膜の設計に影響を及ぼす。
関連論文リスト
- Graph Fourier Neural ODEs: Bridging Spatial and Temporal Multiscales in Molecular Dynamics [39.412937539709844]
分子動力学における空間的・時間的多スケール相互作用を共同でモデル化する新しい枠組みを提案する。
MD17データセット上で本モデルを評価し,最先端のベースラインに対して一貫した性能向上を示す。
論文 参考訳(メタデータ) (2024-11-03T15:10:48Z) - Molecular Conformation Generation via Shifting Scores [21.986775283620883]
本稿では,分子の崩壊を,分子を構成する原子に増大する力場を鋳造すると見なすことのできる新しい分子コンホメーション生成手法を提案する。
対応する生成モデリングは、実現可能な原子間距離幾何学を保証し、時間可逆性を示す。
論文 参考訳(メタデータ) (2023-09-12T07:39:43Z) - Gramian Angular Fields for leveraging pretrained computer vision models
with anomalous diffusion trajectories [0.9012198585960443]
拡散軌跡を扱うための新しいデータ駆動手法を提案する。
この方法はグラミアン角場(GAF)を用いて1次元軌跡を画像として符号化する。
我々は、ResNetとMobileNetという、よく訓練された2つのコンピュータビジョンモデルを利用して、基礎となる拡散体制を特徴づける。
論文 参考訳(メタデータ) (2023-09-02T17:22:45Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular
Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。
我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。
複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文 参考訳(メタデータ) (2023-02-04T01:32:40Z) - GeoDiff: a Geometric Diffusion Model for Molecular Conformation
Generation [102.85440102147267]
分子配座予測のための新しい生成モデルGeoDiffを提案する。
GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
論文 参考訳(メタデータ) (2022-03-06T09:47:01Z) - Level set based particle filter driven by optical flow: an application
to track the salt boundary from X-ray CT time-series [0.0]
本研究では,X線CT(Computerd tomography)画像時系列からの並列フィルタリング手法を用いて,塩境界の経時的非線形変形を決定することを目的とする。
この研究は、モデルの不確実性を考慮に入れた物理モデリングと高度な画像処理手法を統合するための第一歩である。
論文 参考訳(メタデータ) (2022-02-17T15:46:26Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳(メタデータ) (2021-10-26T07:02:14Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z) - Physics-Constrained Predictive Molecular Latent Space Discovery with
Graph Scattering Variational Autoencoder [0.0]
我々は小データ構造における変分推論とグラフ理論に基づく分子生成モデルを開発する。
モデルの性能は、所望の目的特性を持つ分子を生成することによって評価される。
論文 参考訳(メタデータ) (2020-09-29T09:05:27Z)
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。