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
- 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) - QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。
現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文 参考訳(メタデータ) (2023-06-15T23:39:07Z) - Molecular Geometry-aware Transformer for accurate 3D Atomic System
modeling [51.83761266429285]
本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。
MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
論文 参考訳(メタデータ) (2023-02-02T03:49:57Z) - 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) - Deep learning techniques for energy clustering in the CMS ECAL [0.0]
CMSにおける電子と光子の再構成は、入射粒子によって堆積されたエネルギーのトポロジカルクラスタリングに依存する。
グラフニューラルネットワーク(GNN)や自己認識アルゴリズムといった最先端のディープラーニングアーキテクチャを活用する新しい手法が研究されている。
論文 参考訳(メタデータ) (2022-04-21T17:23:43Z) - 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) - Gaussian Moments as Physically Inspired Molecular Descriptors for
Accurate and Scalable Machine Learning Potentials [0.0]
本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。
化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
論文 参考訳(メタデータ) (2021-09-15T16:46:46Z) - 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) - 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)
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。