論文の概要: The Open DAC 2023 Dataset and Challenges for Sorbent Discovery in Direct
Air Capture
- arxiv url: http://arxiv.org/abs/2311.00341v1
- Date: Wed, 1 Nov 2023 07:21:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 14:34:41.894259
- Title: The Open DAC 2023 Dataset and Challenges for Sorbent Discovery in Direct
Air Capture
- Title(参考訳): DAC 2023のオープンデータセットと直接空気捕獲における大気汚染発見への挑戦
- Authors: Anuroop Sriram, Sihoon Choi, Xiaohan Yu, Logan M. Brabson, Abhishek
Das, Zachary Ulissi, Matt Uyttendaele, Andrew J. Medford, and David S. Sholl
- Abstract要約: 直接空気捕捉(DAC)は、環境空気から直接二酸化炭素を捕捉する技術である。
MOFは、DAC用のカスタマイズ可能な吸着剤として広く研究されている。
8800以上のMOF材料上の38M以上の密度汎関数理論(DFT)計算からなるOpen DAC 2023というデータセットを提案する。
- 参考スコア(独自算出の注目度): 9.310527759450462
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: New methods for carbon dioxide removal are urgently needed to combat global
climate change. Direct air capture (DAC) is an emerging technology to capture
carbon dioxide directly from ambient air. Metal-organic frameworks (MOFs) have
been widely studied as potentially customizable adsorbents for DAC. However,
discovering promising MOF sorbents for DAC is challenging because of the vast
chemical space to explore and the need to understand materials as functions of
humidity and temperature. We explore a computational approach benefiting from
recent innovations in machine learning (ML) and present a dataset named Open
DAC 2023 (ODAC23) consisting of more than 38M density functional theory (DFT)
calculations on more than 8,800 MOF materials containing adsorbed CO2 and/or
H2O. ODAC23 is by far the largest dataset of MOF adsorption calculations at the
DFT level of accuracy currently available. In addition to probing properties of
adsorbed molecules, the dataset is a rich source of information on structural
relaxation of MOFs, which will be useful in many contexts beyond specific
applications for DAC. A large number of MOFs with promising properties for DAC
are identified directly in ODAC23. We also trained state-of-the-art ML models
on this dataset to approximate calculations at the DFT level. This open-source
dataset and our initial ML models will provide an important baseline for future
efforts to identify MOFs for a wide range of applications, including DAC.
- Abstract(参考訳): 地球温暖化対策には二酸化炭素の除去方法が急務である。
直接空気捕捉(DAC)は、環境空気から直接二酸化炭素を捕捉する技術である。
金属-有機系フレームワーク(mofs)はdacのカスタマイズ可能な吸着剤として広く研究されている。
しかし, DAC用MOF吸着剤の発見は, 膨大な化学資源の探索と, 物質を湿度や温度の関数として理解する必要があるため, 困難である。
機械学習(ML)の最近の革新の恩恵を受け,吸着CO2およびH2Oを含む8800 MOF材料上の38M以上の密度汎関数理論(DFT)計算からなるデータセットであるOpen DAC 2023(ODAC23)を提案する。
ODAC23は、現在利用可能なDFTレベルの精度でMOF吸着計算の最大のデータセットである。
吸着分子の性質の探索に加えて、このデータセットはMOFの構造緩和に関する情報の豊富な情報源であり、DACの特定の応用を超える多くの文脈で有用である。
DACに期待できる特性を持つ多数のMOFがODAC23で直接識別される。
また、このデータセット上で最先端のMLモデルをトレーニングし、DFTレベルでの計算を近似した。
このオープンソースデータセットと私たちの初期のMLモデルは、DACを含む幅広いアプリケーションのためのMOFを特定するための今後の取り組みに重要なベースラインを提供するでしょう。
関連論文リスト
- Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。
この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。
セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
論文 参考訳(メタデータ) (2024-04-16T17:38:26Z) - Objective-Agnostic Enhancement of Molecule Properties via Multi-Stage
VAE [1.3597551064547502]
変異オートエンコーダ(VAE)は医薬品発見の一般的な方法であり、その性能を改善するために様々なアーキテクチャやパイプラインが提案されている。
VAEアプローチは、データが高次元の周囲空間に埋め込まれた低次元多様体上にあるとき、多様体の回復不良に悩まされることが知られている。
本稿では, 合成データセット上での多様体回復を向上する多段階VAEアプローチを創薬分野に適用することを検討する。
論文 参考訳(メタデータ) (2023-08-24T20:22:22Z) - Activity Cliff Prediction: Dataset and Benchmark [20.41770222873952]
本稿ではまず,AC予測のための大規模データセットACNetを紹介する。
ACNetは400K以上のMMP(Matched Molecular Pairs)を190のターゲットに対してキュレートする。
本稿では、深いニューラルネットワークで符号化された分子表現の予測性能を交流予測のためにベンチマークするためのベースラインフレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-15T09:19:07Z) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳(メタデータ) (2022-10-31T04:04:03Z) - 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) - 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) - Demystifying the Data Need of ML-surrogates for CFD Simulations [3.0168882791480978]
客車室内の温度分布を予測するためのMLに基づく代理モデルを提案する。
その結果, トレーニングサイズが2000から200に減少しても, 予測精度は高く, 安定していることがわかった。
トレーニングには50個のCFDシミュレーションしか使われていないが、MLサロゲートによって予測される温度傾向はCFDシミュレーションの結果とよく一致している。
論文 参考訳(メタデータ) (2022-05-05T04:37:59Z) - MOFSimplify: Machine Learning Models with Extracted Stability Data of
Three Thousand Metal-Organic Frameworks [0.0]
我々は、自然言語処理を用いて、金属-有機フレームワーク(MOF)の安定性に関する文献を発掘する。
我々は、定量的不確実性のある新しいMOFの安定性を予測するために機械学習モデルを訓練する。
当社のWebインターフェースであるMOFSimplifyは、ユーザがキュレートされたデータにアクセスし、そのデータを新しいMOFの予測に利用できるようにする。
論文 参考訳(メタデータ) (2021-09-16T16:37:37Z) - 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) - Federated Deep AUC Maximization for Heterogeneous Data with a Constant
Communication Complexity [77.78624443410216]
異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。
本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。
FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
論文 参考訳(メタデータ) (2021-02-09T04:05:19Z)
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。