論文の概要: AdsorbRL: Deep Multi-Objective Reinforcement Learning for Inverse
Catalysts Design
- arxiv url: http://arxiv.org/abs/2312.02308v1
- Date: Mon, 4 Dec 2023 19:44:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 17:52:14.555506
- Title: AdsorbRL: Deep Multi-Objective Reinforcement Learning for Inverse
Catalysts Design
- Title（参考訳）: AdsorbRL:逆触媒設計のための深層多目的強化学習
- Authors: Romain Lacombe, Lucas Hendren, Khalid El-Awady
- Abstract要約: クリーンエネルギー移行における中心的な課題は、低エミッション技術のための触媒の開発である。
量子化学における機械学習の最近の進歩は、触媒活性記述子の計算を劇的に加速させる。
本稿では,多目的結合エネルギーターゲットが与えられた潜在的な触媒を特定することを目的とした,深層強化学習エージェントであるAdsorbRLを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A central challenge of the clean energy transition is the development of
catalysts for low-emissions technologies. Recent advances in Machine Learning
for quantum chemistry drastically accelerate the computation of catalytic
activity descriptors such as adsorption energies. Here we introduce AdsorbRL, a
Deep Reinforcement Learning agent aiming to identify potential catalysts given
a multi-objective binding energy target, trained using offline learning on the
Open Catalyst 2020 and Materials Project data sets. We experiment with Deep
Q-Network agents to traverse the space of all ~160,000 possible unary, binary
and ternary compounds of 55 chemical elements, with very sparse rewards based
on adsorption energy known for only between 2,000 and 3,000 catalysts per
adsorbate. To constrain the actions space, we introduce Random Edge Traversal
and train a single-objective DQN agent on the known states subgraph, which we
find strengthens target binding energy by an average of 4.1 eV. We extend this
approach to multi-objective, goal-conditioned learning, and train a DQN agent
to identify materials with the highest (respectively lowest) adsorption
energies for multiple simultaneous target adsorbates. We experiment with
Objective Sub-Sampling, a novel training scheme aimed at encouraging
exploration in the multi-objective setup, and demonstrate simultaneous
adsorption energy improvement across all target adsorbates, by an average of
0.8 eV. Overall, our results suggest strong potential for Deep Reinforcement
Learning applied to the inverse catalysts design problem.
- Abstract（参考訳）: クリーンエネルギー遷移の中心的な課題は、低エミッション技術のための触媒の開発である。
量子化学のための機械学習の最近の進歩は、吸着エネルギーなどの触媒活性記述子の計算を劇的に加速する。
本稿では,多目的結合エネルギーターゲットを付与した潜在的な触媒を特定することを目的とした,深層強化学習エージェントであるAdsorbRLについて紹介する。
我々は, 化学元素55種の不定形化合物, 二元系および三元系化合物, 約160,000の空間を横切る深層qネットワーク剤を用いて実験を行い, 1吸着当たり2000～3,000個の触媒で知られている吸着エネルギーに基づいて, 極めて少ない報酬を得た。
動作空間を制約するために、Random Edge Traversalを導入し、既知の状態部分グラフ上で単目的DQNエージェントを訓練する。
このアプローチを多目的・目標条件学習に拡張し、DQNエージェントを訓練し、複数の同時ターゲット吸着体に対して最も高い(相対的に低い)吸着エネルギーを持つ物質を特定する。
我々は,多目的装置の探索を奨励する新たなトレーニング手法であるObjective Sub-Samplingを実験し,各ターゲット吸着体に対して平均0.8eVで同時吸着エネルギーの改善を実証した。
その結果, 逆触媒設計問題に適用可能な深層強化学習の可能性が示唆された。
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) - Adsorb-Agent: Autonomous Identification of Stable Adsorption Configurations via Large Language Model Agent [5.812284760539713]
Adsorb-AgentはLarge Language Model(LLM)エージェントで、システム固有の安定な吸着剤触媒構成を効率的に導出する。
本研究では, NNH-CuPd3 (111) と NNH-Mo3Pd (111) の2つの例を用いて, ハーバーボッシュ法に代わる持続可能な窒素還元反応 (NRR) の性能を実証する。
論文 参考訳（メタデータ） (2024-10-22T03:19:16Z) - SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [59.868772767818975]
本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。
具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、集約である。
様々なラベル付き環境下での多目的オブジェクトデータセットに対する大規模な実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-07-01T07:03:51Z) - Adaptive Catalyst Discovery Using Multicriteria Bayesian Optimization with Representation Learning [17.00084254889438]
高性能触媒は、持続可能なエネルギー変換と人間の健康に不可欠である。
触媒の発見は、巨大で高次元の構造と合成空間をナビゲートするための効率的なアプローチがないため、課題に直面している。
論文 参考訳（メタデータ） (2024-04-18T18:11:06Z) - Lowering the Exponential Wall: Accelerating High-Entropy Alloy Catalysts Screening using Local Surface Energy Descriptors from Neural Network Potentials [0.0]
本研究では, 単金属系からのデータを用いたHEA特性の迅速予測法を提案する。
我々は古典機械学習と量子機械学習の両方を用いて高精度モデルを開発した。
提案手法は, HEA化学空間の探索を加速し, 新規触媒の設計を容易にする。
論文 参考訳（メタデータ） (2024-04-12T11:54:06Z) - ChemReasoner: Heuristic Search over a Large Language Model's Knowledge Space using Quantum-Chemical Feedback [37.06094829713273]
新しい触媒の発見は、新しいより効率的な化学プロセスの設計に不可欠である。
量子化学に基づく3次元原子論表現からのフィードバックで言語推論を統一するAI誘導型計算スクリーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-15T21:33:07Z) - AdsorbML: A Leap in Efficiency for Adsorption Energy Calculations using
Generalizable Machine Learning Potentials [8.636519538557001]
機械学習のポテンシャルを利用して、低エネルギー吸着面の配置をより正確に、効率的に特定できることを示す。
我々のアルゴリズムは、精度と効率のトレードオフのスペクトルを提供し、1つのバランスの取れたオプションは、その時間の87.36%のエネルギー構成を見つける。
論文 参考訳（メタデータ） (2022-11-29T18:54:55Z) - PhAST: Physics-Aware, Scalable, and Task-specific GNNs for Accelerated
Catalyst Design [102.9593507372373]
触媒材料は産業プロセスに関わる電気化学反応において重要な役割を担っている。
機械学習は、大量のデータから材料特性を効率的にモデル化する可能性を秘めている。
本稿では,ほとんどのアーキテクチャに適用可能なタスク固有のイノベーションを提案し,計算効率と精度の両立を図っている。
論文 参考訳（メタデータ） (2022-11-22T05:24:30Z) - G-DetKD: Towards General Distillation Framework for Object Detectors via
Contrastive and Semantic-guided Feature Imitation [49.421099172544196]
そこで本研究では,すべてのピラミッドレベルにまたがる特徴ペア間のソフトマッチングを自動的に行う,意味誘導型特徴模倣手法を提案する。
また,異なる特徴領域間の関係で符号化された情報を効果的に捉えるために,コントラスト蒸留を導入する。
本手法は,(1)フレームワークのコンポーネントを別々に使用した場合に,既存の検出KD技術よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2021-08-17T07:44:27Z) - 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) - Energy Drain of the Object Detection Processing Pipeline for Mobile
Devices: Analysis and Implications [77.00418462388525]
本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。
我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
論文 参考訳（メタデータ） (2020-11-26T00:32:07Z)
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。