論文の概要: Accelerating the prediction of inorganic surfaces with machine learning interatomic potentials

• arxiv url: http://arxiv.org/abs/2312.11708v1
• Date: Mon, 18 Dec 2023 21:08:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 17:45:24.129473
• Title: Accelerating the prediction of inorganic surfaces with machine learning interatomic potentials
• Title（参考訳）: 機械学習の原子間ポテンシャルによる無機表面の予測の高速化
• Authors: Kyle Noordhoek, Christopher J. Bartel
• Abstract要約: このレビューは、主に学習された原子間ポテンシャルの形で、複雑な表面の研究に機械学習を適用することに焦点を当てる。 機械学習アルゴリズムと、それらを訓練する大規模なデータセットが材料科学においてより一般的になるにつれて、計算手法はナノスケールの無機表面の複雑さをモデル化するためにさらに予測的かつ強力なものになりつつある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The surface properties of solid-state materials often dictate their functionality, especially for applications where nanoscale effects become important. The relevant surface(s) and their properties are determined, in large part, by the materials synthesis or operating conditions. These conditions dictate thermodynamic driving forces and kinetic rates responsible for yielding the observed surface structure and morphology. Computational surface science methods have long been applied to connect thermochemical conditions to surface phase stability, particularly in the heterogeneous catalysis and thin film growth communities. This review provides a brief introduction to first-principles approaches to compute surface phase diagrams before introducing emerging data-driven approaches. The remainder of the review focuses on the application of machine learning, predominantly in the form of learned interatomic potentials, to study complex surfaces. As machine learning algorithms and large datasets on which to train them become more commonplace in materials science, computational methods are poised to become even more predictive and powerful for modeling the complexities of inorganic surfaces at the nanoscale.
• Abstract（参考訳）: 固体材料の表面特性は、特にナノスケール効果が重要となる用途において、しばしばその機能を規定する。 関連した表面とその特性は、大部分において、材料合成または動作条件によって決定される。 これらの条件は、観測された表面構造と形態を生じさせる熱力学的駆動力と運動速度を決定する。 熱化学条件を表面相安定性に結びつけるための計算表面科学法は、特にヘテロジニアス触媒と薄膜成長コミュニティにおいて、長い間適用されてきた。 このレビューは、新しいデータ駆動アプローチを導入する前に、表面相図を計算するための第一原理アプローチを簡単に紹介する。 レビューの残りの部分は、主に学習された原子間ポテンシャルの形で、複雑な表面を研究する機械学習の応用に焦点を当てている。 機械学習アルゴリズムや、それらを訓練する大規模なデータセットが材料科学においてより一般的になるにつれて、計算手法はナノスケールの無機表面の複雑さをモデル化するためにさらに予測的かつ強力なものになりつつある。

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)
• Exploiting Hierarchical Interactions for Protein Surface Learning [52.10066114039307]
  本質的には、タンパク質表面のポテンシャル関数部位は、幾何学的特徴と化学的特徴の両方によって決定される。 本稿では,ディープラーニング技術,すなわち階層型化学・幾何学的特徴相互作用ネットワーク(HCGNet)に基づく原則的フレームワークを提案する。 提案手法は,現場予測タスクが2.3%,インタラクションマッチングタスクが3.2%,従来の最先端手法が2.3%向上した。
  論文  参考訳（メタデータ） (2024-01-17T14:10:40Z)
• Tailoring Frictional Properties of Surfaces Using Diffusion Models [0.0]
  条件付き生成機械学習モデルを用いて表面摩擦特性を正確に設計する手法を提案する。 分子動力学シミュレーションにより得られた摩擦特性を持つ合成表面のデータセットを作成し、DDPMに所望の摩擦結果から表面構造を予測する訓練を行った。
  論文  参考訳（メタデータ） (2024-01-05T09:15:07Z)
• Towards out-of-distribution generalizable predictions of chemical kinetics properties [61.15970601264632]
  Out-Of-Distribution (OOD) の運動特性予測は一般化可能である必要がある。 本稿では,OODの運動特性予測を3つのレベル(構造,条件,機構)に分類する。 我々は、OOD設定における反応予測のための最先端MLアプローチと、速度論的特性予測問題における最先端グラフOOD手法をベンチマークするために、包括的なデータセットを作成する。
  論文  参考訳（メタデータ） (2023-10-04T20:36:41Z)
• Efficient Surrogate Models for Materials Science Simulations: Machine Learning-based Prediction of Microstructure Properties [0.0]
  いくつかの機械学習アルゴリズムがこれらの科学分野に応用され、シミュレーションモデルや代理モデルを強化し、加速している。 材料科学分野の2つの異なるデータセットに基づいて,6つの機械学習技術の応用について検討する。
  論文  参考訳（メタデータ） (2023-09-01T07:29:44Z)
• Reliable machine learning potentials based on artificial neural network for graphene [2.115174610040722]
  グラフェンの特別な2次元構造は、幅広い特異な材料特性を示すことができる。 分子動力学(MD)シミュレーションは、その特異な性質の微視的起源を理解するために広く採用されている。 人工ニューラルネットワークに基づく原子間ポテンシャルは、ポテンシャルエネルギー表面を表すためにグラフェンのために開発された。
  論文  参考訳（メタデータ） (2023-06-12T17:12:08Z)
• Machine-learning-accelerated simulations to enable automatic surface reconstruction [2.9599032866864654]
  ab initioシミュレーションは、理論上、熱力学変数の関数として材料表面の構造を予測することができる。 本稿では,多成分材料の表面位相図を予測するための二面計算ループを提案する。
  論文  参考訳（メタデータ） (2023-05-12T04:53:59Z)
• Symbolic Regression in Materials Science: Discovering Interatomic Potentials from Data [1.7149364927872015]
  機械学習は、ab初期原子ポテンシャルの計算コストを相殺することができる。 シンボリック回帰(英: symbolic regression)は、原子間ポテンシャルの関数形式を発見するための強力な「ホワイトボックス」アプローチである。 原子ポテンシャルをモデル化するための遺伝的プログラミングに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-13T19:05:21Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• Visual Grounding of Learned Physical Models [66.04898704928517]
  人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。 我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。 実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-04-28T17:06:38Z)

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。