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
- 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) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳(メタデータ) (2021-06-17T00:49:55Z) - 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) - Modified Gaussian Process Regression Models for Cyclic Capacity
Prediction of Lithium-ion Batteries [5.663192900261267]
本稿では,リチウムイオン電池の容量予測のための機械学習によるデータ駆動モデルの開発について述べる。
開発モデルは, 種々のサイクリングパターンを有する酸化ニッケル (MCN) リチウムイオン電池と比較した。
論文 参考訳(メタデータ) (2020-12-31T19:05:27Z) - Towards Online Steering of Flame Spray Pyrolysis Nanoparticle Synthesis [0.5280518172740245]
火炎噴霧熱分解(英: Flame Spray Pyrolysis、FSP)は、エネルギー材料、合成、複合材料などへの応用を目的とした、工業化されたナノ粒子を大量生産する製造技術である。
FSP機器は、燃料噴射速度、燃料と酸素の混合、温度などの調整可能なパラメータに大きく依存しており、生成したナノ粒子の品質、量、性質に大きな影響を及ぼす可能性がある。
論文 参考訳(メタデータ) (2020-10-16T16:38:16Z)
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。