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

• 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。