論文の概要: Differentiable Modeling and Optimization of Battery Electrolyte Mixtures
Using Geometric Deep Learning
- arxiv url: http://arxiv.org/abs/2310.03047v2
- Date: Wed, 1 Nov 2023 21:54:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 16:45:12.278582
- Title: Differentiable Modeling and Optimization of Battery Electrolyte Mixtures
Using Geometric Deep Learning
- Title(参考訳): 幾何深層学習による電池電解質混合物の微分モデルと最適化
- Authors: Shang Zhu, Bharath Ramsundar, Emil Annevelink, Hongyi Lin, Adarsh
Dave, Pin-Wen Guan, Kevin Gering, Venkatasubramanian Viswanathan
- Abstract要約: 本研究では, 化学混合物の幾何学的深層学習モデルDiffMixを開発し, ロボット実験の指導に応用する。
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。
ロボット実験装置であるClioでは,10段階以内の電解質のイオン伝導率を18.8%以上向上させる。
- 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: Electrolytes play a critical role in designing next-generation battery
systems, by allowing efficient ion transfer, preventing charge transfer, and
stabilizing electrode-electrolyte interfaces. In this work, we develop a
differentiable geometric deep learning (GDL) model for chemical mixtures,
DiffMix, which is applied in guiding robotic experimentation and optimization
towards fast-charging battery electrolytes. In particular, we extend mixture
thermodynamic and transport laws by creating GDL-learnable physical
coefficients. We evaluate our model with mixture thermodynamics and ion
transport properties, where we show improved prediction accuracy and model
robustness of DiffMix than its purely data-driven variants. Furthermore, with a
robotic experimentation setup, Clio, we improve ionic conductivity of
electrolytes by over 18.8% within 10 experimental steps, via differentiable
optimization built on DiffMix gradients. By combining GDL, mixture physics
laws, and robotic experimentation, DiffMix expands the predictive modeling
methods for chemical mixtures and enables efficient optimization in large
chemical spaces.
- Abstract(参考訳): 電解質は、効率的なイオン移動、電荷移動の防止、電極-電解質界面の安定化など、次世代電池システムの設計において重要な役割を果たす。
本研究では,化学混合物の微分可能な幾何学的深層学習(gdl)モデルdiffmixを開発し,ロボット実験と高速電池電解質への最適化に応用した。
特に、GDL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。
混合熱力学とイオン輸送特性を用いてモデルの評価を行い,DiffMixのモデルロバスト性および予測精度の向上をデータ駆動型モデルと比較した。
さらに,ロボット実験装置clioを用いて,回折勾配に基づく微分可能な最適化により,電解液のイオン伝導率を10ステップで18.8%以上向上させる。
GDL、混合物理法則、ロボット実験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効率的な最適化を可能にする。
関連論文リスト
- 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) - Ab initio electron-lattice downfolding: potential energy landscapes,
anharmonicity, and molecular dynamics in charge density wave materials [0.0]
計算上の課題は、特に大規模システム、長期スケール、非平衡系、強い相関関係を持つシステムにおいて発生する。
本研究は, 電子面の電子的特性と原子核運動のシミュレーションを促進するために, ダウンフォールディングアプローチが, 電子面の複雑さの低減をいかに促進するかを示す。
論文 参考訳(メタデータ) (2023-03-13T16:41:37Z) - 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。