論文の概要: Lowering the Exponential Wall: Accelerating High-Entropy Alloy Catalysts Screening using Local Surface Energy Descriptors from Neural Network Potentials

• arxiv url: http://arxiv.org/abs/2404.08413v1
• Date: Fri, 12 Apr 2024 11:54:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-15 15:06:48.551435
• Title: Lowering the Exponential Wall: Accelerating High-Entropy Alloy Catalysts Screening using Local Surface Energy Descriptors from Neural Network Potentials
• Title（参考訳）: 指数壁の低下:ニューラルネットワーク電位による局所表面エネルギー記述子を用いた高エントロピー合金触媒のスクリーニング
• Authors: Tomoya Shiota, Kenji Ishihara, Wataru Mizukami,
• Abstract要約: 本研究では, 単金属系のデータから, HEAの特性を予測するモデルを高速に構築する手法を提案する。 従来の機械学習と量子機械学習の両方を用いて高精度なモデル開発を行う。 提案手法は, 新規触媒の設計を促進するため, HEAの広大な化学空間の迅速探索を可能にする。
• 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: Computational screening is indispensable for the efficient design of high-entropy alloys (HEAs), which hold great potential for catalytic applications. However, the chemical space of HEAs is exponentially vast with respect to the number of constituent elements, and even screening calculations using machine learning potentials can be enormously time-consuming. To address this challenge, we propose a method to rapidly construct models that predict the properties of HEAs from data on monometallic systems (or few-component alloys). The core of our approach is a newly-introduced descriptor called local surface energy ($LSE$), which reflects the local reactivity of solid surfaces at atomic resolution. We successfully created a model using linear regression to screen the adsorption energies of molecules on HEAs based on LSEs from monometallic systems. Furthermore, we made high-precision model development by employing both classical machine learning and quantum machine learning. Using our method, we were able to complete the adsorption energy calculations of CO molecules on 1000 patterns of quinary nanoparticles consisting of 201 atoms within a few hours. These calculations would have taken hundreds of years and hundreds of days using density functional theory and a neural network potential, respectively. Our approach allows accelerated exploration of the vast chemical space of HEAs facilitating the design of novel catalysts.
• Abstract（参考訳）: 高エントロピー合金(HEAs)の効率的な設計には計算スクリーニングが不可欠である。 しかし、HEAsの化学空間は構成要素の数に関して指数関数的に広大であり、機械学習ポテンシャルを用いた計算のスクリーニングにも膨大な時間を要する可能性がある。 この課題に対処するために, 単金属系(または数成分合金)のデータから, HEAの特性を予測するモデルを高速に構築する手法を提案する。 このアプローチの核となるのは、局所表面エネルギー(LSE$)と呼ばれる新しく導入された記述子で、原子分解能における固体表面の局所的反応性を反映している。 我々は, 単金属系からのLSEに基づいて, HEA上の分子の吸着エネルギーを測定するために線形回帰を用いたモデルの構築に成功した。 さらに,従来の機械学習と量子機械学習の両方を用いて高精度なモデル開発を行った。 提案手法を用いて,201原子からなるクエンタリーナノ粒子の1000パターン上で,CO分子の吸着エネルギーを数時間で計算することができた。 これらの計算は、密度汎関数理論とニューラルネットワークポテンシャルを用いて、数百年と数百日を要した。 提案手法は, 新規触媒の設計を促進するため, HEAの広大な化学空間の迅速探索を可能にする。

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)
• AdsorbRL: Deep Multi-Objective Reinforcement Learning for Inverse Catalysts Design [0.0]
  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。
  論文  参考訳（メタデータ） (2023-12-04T19:44:04Z)
• Platinum-based Catalysts for Oxygen Reduction Reaction simulated with a Quantum Computer [2.8866494528688555]
  水素は有望なエネルギー源として現れ、低炭素で持続可能な移動を可能にする鍵を握っている。 ここでは、古典的および量子的な計算手法を組み合わせて、純白金および白金/コバルト表面上のORRを調べる先駆的な研究を提案する。 その結果、コバルト含有触媒に強く相関する種が関与していることが明らかとなり、将来の応用における量子優位性を示すための理想的な候補としての可能性が示唆された。
  論文  参考訳（メタデータ） (2023-07-28T21:49:00Z)
• 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)
• 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)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• Nuclear two point correlation functions on a quantum-computer [105.89228861548395]
  我々は、現在の量子ハードウェアとエラー軽減プロトコルを使用して、高度に単純化された核モデルに対する応答関数を計算する。 この研究では、現在の量子ハードウェアとエラー軽減プロトコルを用いて、4つの格子上に3つの区別可能な核子を持つ2次元のフェルミ・ハバードモデルに対する応答関数を計算する。
  論文  参考訳（メタデータ） (2021-11-04T16:25:33Z)
• 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)
• Stochastic-based Neural Network hardware acceleration for an efficient ligand-based virtual screening [0.6431253679501663]
  仮想スクリーニングは、治療対象の生物活性を示す可能性が最も高い分子化合物の同定方法を研究する。 大量の小さな有機化合物と、このような大規模なスクリーニングを行う可能性のある数千のターゲットにより、分子データベースのスクリーニングにおける処理速度とエネルギー効率の両方を向上する研究コミュニティへの関心が高まっている。 本研究では,各分子を1つのエネルギーベースベクトルで記述した分類モデルを提案し,ANNを用いた機械学習システムを提案する。
  論文  参考訳（メタデータ） (2020-06-03T20:18:15Z)

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。