論文の概要: Differentiable Chemical Physics by Geometric Deep Learning for
Gradient-based Property Optimization of Mixtures
- arxiv url: http://arxiv.org/abs/2310.03047v1
- Date: Tue, 3 Oct 2023 22:26:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-06 21:03:22.055472
- Title: Differentiable Chemical Physics by Geometric Deep Learning for
Gradient-based Property Optimization of Mixtures
- Title（参考訳）: 幾何学的深層学習による混合系の勾配特性最適化のための微分化学物理
- Authors: Shang Zhu, Bharath Ramsundar, Emil Annevelink, Hongyi Lin, Adarsh
Dave, Pin-Wen Guan, Kevin Gering, Venkatasubramanian Viswanathan
- Abstract要約: 我々はDiffMixという化学混合物をモデル化するための微分可能な化学物理フレームワークを開発した。
我々は、学習可能な物理係数を作成することにより、熱力学と輸送の混合法則を拡張する。
DiffMixの予測精度とモデルロバスト性は、純粋にデータ駆動型よりも向上した。
- 参考スコア（独自算出の注目度）: 0.3141085922386211
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chemical mixtures, satisfying multi-objective performance metrics and
constraints, enable their use in chemical processes and electrochemical
devices. In this work, we develop a differentiable chemical-physics framework
for modeling chemical mixtures, DiffMix, where geometric deep learning (GDL) is
leveraged to map from molecular species, compositions and environment
conditions, to physical coefficients in the mixture physics laws. In
particular, we extend mixture thermodynamic and transport laws by creating
learnable physical coefficients, where we use graph neural networks as the
molecule encoder and enforce component-wise permutation-invariance. We start
our model evaluations with thermodynamics of binary mixtures, and further
benchmarked multicomponent electrolyte mixtures on their transport properties,
in order to test the model generalizability. We show improved prediction
accuracy and model robustness of DiffMix than its purely data-driven variants.
Furthermore, we demonstrate the efficient optimization of electrolyte transport
properties, built on the gradient obtained using DiffMix auto-differentiation.
Our simulation runs are then backed up by the data generated by a robotic
experimentation setup, Clio. By combining mixture physics and GDL, DiffMix
expands the predictive modeling methods for chemical mixtures and provides
low-cost optimization approaches in large chemical spaces.
- Abstract（参考訳）: 多目的性能指標と制約を満たす化学混合物は、化学プロセスや電気化学デバイスでの使用を可能にする。
本研究では, 分子種, 組成, 環境条件から混合物理法則の物理係数へのマッピングに幾何学的深層学習(GDL)を利用するDiffMixという, 化学混合物をモデル化するための微分可能な化学物理フレームワークを開発する。
特に,分子エンコーダとしてグラフニューラルネットワークを用い,成分単位の置換不変性を強制する学習可能な物理係数を作成することにより,熱力学と輸送の混合法則を拡張した。
我々は, 2成分混合系の熱力学からモデル評価を開始し, さらに, モデル一般化性をテストするために, 輸送特性に関する多成分電解質混合物のベンチマークを行った。
diffmixの予測精度とモデルロバスト性は,データ駆動型よりも向上した。
さらに,diffmix 自己微分法による勾配に基づく電解質輸送特性の効率的な最適化を示す。
シミュレーションの実行は、ロボット実験のセットアップであるclioによって生成されたデータによってバックアップされます。
混合物理とGDLを組み合わせることで、DiffMixは化学混合物の予測モデリング手法を拡張し、大規模化学空間における低コストな最適化手法を提供する。
関連論文リスト
- Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - Learning Equivariant Non-Local Electron Density Functionals [51.721844709174206]
Equivariant Graph Exchange correlation (EG-XC) は、同変グラフニューラルネットワークに基づく新しい非局所XC関数である。
EG-XCは、半局所関数と同変核中心点雲表現によってパラメータ化された非局所特徴密度を結合する。
MD17では,金標準のCCSD(T)エネルギーを正確に再構成するEG-XCが発見された。
論文 参考訳（メタデータ） (2024-10-10T14:31:45Z) - Efficient Generation of Molecular Clusters with Dual-Scale Equivariant Flow Matching [5.909830898977327]
トレーニングと推論を粗い粒度と全原子ステージに分離する2次元フローマッチング法を開発した。
MDシミュレーションにより得られたY6分子クラスターのデータセット上で,本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-10-10T02:17:27Z) - Uni-ELF: A Multi-Level Representation Learning Framework for Electrolyte Formulation Design [20.855235423913285]
電解質設計を進めるための新しい多レベル表現学習フレームワークUni-ELFを紹介する。
本手法では, 分子レベルでの3次元分子構造をUni-Molモデルを用いて再構成し, 統計的構造特性の予測を行う。
この包括的事前学習により、Uni-ELFは複雑な分子レベルと混合レベルの情報をキャプチャすることができ、予測能力を大幅に向上させることができる。
私たちはこの革新的なフレームワークが、AIベースの電解質設計とエンジニアリングの自動化の道を開くと信じています。
論文 参考訳（メタデータ） (2024-07-08T17:26:49Z) - BAMBOO: a predictive and transferable machine learning force field framework for liquid electrolyte development [11.682763325188525]
本稿では,分子動力学(MD)シミュレーションのための新しいフレームワークであるBAMBOOを紹介し,リチウム電池用液体電解質の文脈でその能力を実証する。
BamBOOは密度、粘性、イオン伝導率などの主要な電解質特性を予測するための最先端の精度を示す。
この研究は、一般的な有機液体の性質をシミュレートできる「ユニバーサルMLFF」への道を開くことを目的としている。
論文 参考訳（メタデータ） (2024-04-10T17:31:49Z) - Orbital-Free Density Functional Theory with Continuous Normalizing Flows [54.710176363763296]
軌道自由密度汎関数理論(OF-DFT)は、分子電子エネルギーを計算する別のアプローチを提供する。
我々のモデルは様々な化学系の電子密度を再現することに成功した。
論文 参考訳（メタデータ） (2023-11-22T16:42:59Z) - Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。
GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文 参考訳（メタデータ） (2023-11-05T11:48:08Z) - Toward High-Performance Energy and Power Battery Cells with Machine
Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。
本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。
以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
論文 参考訳（メタデータ） (2023-07-07T13:48:50Z) - Real-time equation-of-motion CC cumulant and CC Green's function
simulations of photoemission spectra of water and water dimer [54.44073730234714]
実時間CC累積法で得られた結果について考察する。
これらの方法を用いて得られたイオン化ポテンシャルを価領域で比較した。
RT-EOM-CC法とCCGF法により得られたスペクトル関数の特徴を衛星ピークの位置と関連づけて解析した。
論文 参考訳（メタデータ） (2022-05-27T18:16:30Z) - Autonomous optimization of nonaqueous battery electrolytes via robotic
experimentation and machine learning [0.0]
本研究では,非水系電解質の効率的な最適化のために,ロボット工学と機械学習を結合した新しいワークフローを提案する。
と呼ばれるカスタムビルドの自動化実験は、ベイズ最適化ベースの実験プランナーであるDragonflyと結合されている。
Clioは、単塩三成分系溶媒設計空間上での電解質導電率を自律的に最適化する。
論文 参考訳（メタデータ） (2021-11-23T00:15:19Z)
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。