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/2404.08413v2
- Date: Sun, 06 Oct 2024 10:28:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-08 13:10:04.425998
- 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。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Computational screening is indispensable for the efficient design of high-entropy alloys (HEAs), which hold considerable potential for catalytic applications. However, the chemical space of HEAs is exponentially vast with respect to the number of constituent elements, making even machine learning-based screening calculations time-intensive. To address this challenge, we propose a rapid method for predicting HEA properties using data from monometallic systems (or few-component alloys). Central to our approach is the newly introduced local surface energy (LSE) descriptor, which captures local surface reactivity at atomic resolution. By applying linear regression, we successfully screened adsorption energies of molecules on HEAs based on LSEs derived from monometallic systems. Furthermore, we developed high-precision models by employing both classical and quantum machine learning. Our method enabled CO adsorption-energy calculations for 1000 quinary nanoparticles, comprising 201 atoms each, within a few days, considerably faster than density functional theory, which would require hundreds of years or neural network potentials, which would have taken hundreds of days. The proposed approach accelerates the exploration of the vast HEA chemical space, 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なため、機械学習ベースのスクリーニング計算でさえ時間集約的である。
この課題に対処するため, 単金属系(または数成分合金)のデータを用いて, HEA特性の迅速予測法を提案する。
我々のアプローチの中心は、新しく導入された局所表面エネルギー(LSE)ディスクリプタであり、原子分解能で局所表面の反応性を捉える。
線形回帰を適用することにより, 単金属系由来のLSEに基づいて, HEA上の分子の吸着エネルギーのスクリーニングに成功した。
さらに,古典機械学習と量子機械学習を併用した高精度モデルを開発した。
提案手法により,1000個のクエンタリーナノ粒子のCO吸着エネルギー計算が可能となり,201個の原子が数日で,数百年を要する密度汎関数理論や,数百日を要するニューラルネットワークポテンシャルよりもかなり高速になった。
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。
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。