論文の概要: Adapting OC20-trained EquiformerV2 Models for High-Entropy Materials
- arxiv url: http://arxiv.org/abs/2403.09811v1
- Date: Thu, 14 Mar 2024 18:59:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-18 21:25:23.856590
- Title: Adapting OC20-trained EquiformerV2 Models for High-Entropy Materials
- Title（参考訳）: 高エントロピー材料に対するOC20訓練EquiformerV2モデルの適用
- Authors: Christian M. Clausen, Jan Rossmeisl, Zachary W. Ulissi,
- Abstract要約: オープン触媒プロジェクトから事前学習したEquiformerV2モデルの調整および微調整を行った結果について述べる。
結合部位の局所環境に基づいてエネルギーフィルタを適用することにより、ゼロショット推論が著しく改善される。
また、一般的な機械学習の可能性を想定したEquiformerV2は、より小さく、より焦点を絞った直接推論モデルに通知することができる。
- 参考スコア（独自算出の注目度）: 0.5812062802134551
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computational high-throughput studies, especially in research on high-entropy materials and catalysts, are hampered by high-dimensional composition spaces and myriad structural microstates. They present bottlenecks to the conventional use of density functional theory calculations, and consequently, the use of machine-learned potentials is becoming increasingly prevalent in atomic structure simulations. In this communication, we show the results of adjusting and fine-tuning the pretrained EquiformerV2 model from the Open Catalyst Project to infer adsorption energies of *OH and *O on the out-of-domain high-entropy alloy Ag-Ir-Pd-Pt-Ru. By applying an energy filter based on the local environment of the binding site the zero-shot inference is markedly improved and through few-shot fine-tuning the model yields state-of-the-art accuracy. It is also found that EquiformerV2, assuming the role of general machine learning potential, is able to inform a smaller, more focused direct inference model. This knowledge distillation setup boosts performance on complex binding sites. Collectively, this shows that foundational knowledge learned from ordered intermetallic structures, can be extrapolated to the highly disordered structures of solid-solutions. With the vastly accelerated computational throughput of these models, hitherto infeasible research in the high-entropy material space is now readily accessible.
- Abstract（参考訳）: 高エントロピー材料や触媒の研究における計算的高スループットの研究は、高次元の組成空間と無数の構造マイクロステートによって妨げられている。
それらは従来の密度汎関数理論計算の使用にボトルネックを与え、その結果、原子構造シミュレーションにおいて機械学習ポテンシャルの使用がますます広まっている。
本報告では, 領域外高エントロピー合金Ag-Ir-Pd-Pt-Ruの吸着エネルギーを推定するために, オープン触媒プロジェクトから予めトレーニングしたEquiformerV2モデルを調整し, 微調整した結果を示す。
結合部位の局所環境に基づいてエネルギーフィルタを適用することにより、ゼロショット推論が著しく改善され、少数ショットの微調整により、最先端の精度が得られる。
また、一般的な機械学習の可能性を想定したEquiformerV2は、より小さく、より焦点を絞った直接推論モデルに通知することができる。
この知識蒸留装置は複雑な結合部位の性能を高める。
これは、秩序な金属間構造から学んだ基礎知識が、固体溶液の高度に乱れた構造に外挿できることを示している。
これらのモデルの大幅に高速化された計算スループットにより、高エントロピー材料空間におけるヒッヘルト非実用的な研究が容易に利用できるようになった。
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) - Investigating the Behavior of Diffusion Models for Accelerating
Electronic Structure Calculations [24.116064925926914]
機械学習を用いた電子構造計算を著しく高速化する可能性による調査
モデルがポテンシャルエネルギー表面の1次構造について学習し、その後高次構造について学習することを示す。
構造緩和のために、このモデルは、小さな有機分子の古典的な力場によって生成されるものよりも10倍低いエネルギーのジオメトリを見つける。
論文 参考訳（メタデータ） (2023-11-02T17:58:37Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳（メタデータ） (2023-10-18T15:49:39Z) - Low-cost machine learning approach to the prediction of transition metal
phosphor excited state properties [0.4306143768014156]
光活性イリジウム錯体は、光から光触媒への応用から広く関心を集めている。
我々は、低コスト機械学習(ML)モデルを用いて、イリジウム錯体の励起状態特性を予測する。
論文 参考訳（メタデータ） (2022-09-18T16:24:07Z) - Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based
Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。
本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
論文 参考訳（メタデータ） (2022-09-15T13:52:15Z) - Improving Molecular Representation Learning with Metric
Learning-enhanced Optimal Transport [49.237577649802034]
分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。
MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
論文 参考訳（メタデータ） (2022-02-13T04:56:18Z) - 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) - Enhancement of quantum correlations and geometric phase for a driven
bipartite quantum system in a structured environment [77.34726150561087]
構造環境下で進化する初期最大絡み合い状態における運転の役割について検討した。
この知識は、散逸動力学の下で量子特性を最もよく保持する物理装置の探索に役立つ。
論文 参考訳（メタデータ） (2021-03-18T21:11:37Z) - A Universal Framework for Featurization of Atomistic Systems [0.0]
物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。
本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。
我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
論文 参考訳（メタデータ） (2021-02-04T03:11:00Z) - Deep learning for synthetic microstructure generation in a
materials-by-design framework for heterogeneous energetic materials [0.0]
化学反応のマルチスケール予測モデルは、メソスケールの物理を説明する。
メソスケール物理は、メソスケールの解決されたシミュレーションによって誘導される機械学習閉包モデルに注入される。
本稿では, 合成ヘテロジニアス系エネルギー材料マイクロ構造のアンサンブルを生成するために, GAN(Generative Adversarial Network)を活用することを提案する。
論文 参考訳（メタデータ） (2020-04-05T16:58:31Z) - Machine Learning Enabled Discovery of Application Dependent Design
Principles for Two-dimensional Materials [1.1470070927586016]
我々は熱力学、機械的、電子的特性を予測するためにモデルのアンサンブルを訓練する。
ほぼ2つの非結合なアプリケーションに対して,45,000近い構造体をスクリーニングする。
有機-無機ペロブスカイトと鉛とスズとのハイブリッドが太陽電池の応用に好適であることが判明した。
論文 参考訳（メタデータ） (2020-03-19T23:13:50Z)
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。