論文の概要: Adaptive Catalyst Discovery Using Multicriteria Bayesian Optimization with Representation Learning
- arxiv url: http://arxiv.org/abs/2404.12445v1
- Date: Thu, 18 Apr 2024 18:11:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-22 17:04:06.778458
- Title: Adaptive Catalyst Discovery Using Multicriteria Bayesian Optimization with Representation Learning
- Title(参考訳): 表現学習を用いた多基準ベイズ最適化を用いた適応触媒発見
- Authors: Jie Chen, Pengfei Ou, Yuxin Chang, Hengrui Zhang, Xiao-Yan Li, Edward H. Sargent, Wei Chen,
- Abstract要約: 高性能触媒は、持続可能なエネルギー変換と人間の健康に不可欠である。
触媒の発見は、巨大で高次元の構造と合成空間をナビゲートするための効率的なアプローチがないため、課題に直面している。
- 参考スコア(独自算出の注目度): 17.00084254889438
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-performance catalysts are crucial for sustainable energy conversion and human health. However, the discovery of catalysts faces challenges due to the absence of efficient approaches to navigating vast and high-dimensional structure and composition spaces. In this study, we propose a high-throughput computational catalyst screening approach integrating density functional theory (DFT) and Bayesian Optimization (BO). Within the BO framework, we propose an uncertainty-aware atomistic machine learning model, UPNet, which enables automated representation learning directly from high-dimensional catalyst structures and achieves principled uncertainty quantification. Utilizing a constrained expected improvement acquisition function, our BO framework simultaneously considers multiple evaluation criteria. Using the proposed methods, we explore catalyst discovery for the CO2 reduction reaction. The results demonstrate that our approach achieves high prediction accuracy, facilitates interpretable feature extraction, and enables multicriteria design optimization, leading to significant reduction of computing power and time (10x reduction of required DFT calculations) in high-performance catalyst discovery.
- Abstract(参考訳): 高性能触媒は、持続可能なエネルギー変換と人間の健康に不可欠である。
しかし、触媒の発見は、巨大で高次元の構造と合成空間をナビゲートするための効率的なアプローチが存在しないため、課題に直面している。
本研究では,密度汎関数理論 (DFT) とベイズ最適化 (BO) を組み合わせた高スループット計算触媒スクリーニング手法を提案する。
BOフレームワーク内では、高次元触媒構造から直接自動表現学習が可能で、原理化された不確実性定量化を実現する、不確実性を考慮した原子性機械学習モデルUPNetを提案する。
制約付き改善獲得関数を利用することで、BOフレームワークは複数の評価基準を同時に検討する。
提案手法を用いて,CO2還元反応の触媒発見について検討した。
その結果, 提案手法は高い予測精度を実現し, キャラクタブルな特徴抽出を容易にし, マルチクレーター設計の最適化を実現し, 高速触媒発見における計算能力と時間(DFT計算の10倍)の大幅な削減を実現した。
関連論文リスト
- Edge-Efficient Deep Learning Models for Automatic Modulation Classification: A Performance Analysis [0.7428236410246183]
無線信号の自動変調分類(AMC)のための最適化畳み込みニューラルネットワーク(CNN)について検討した。
本稿では,これらの手法を組み合わせて最適化モデルを提案する。
実験結果から,提案手法と組み合わせ最適化手法は,複雑度が著しく低いモデルの開発に極めて有効であることが示唆された。
論文 参考訳(メタデータ) (2024-04-11T06:08:23Z) - ChemReasoner: Heuristic Search over a Large Language Model's Knowledge Space using Quantum-Chemical Feedback [37.06094829713273]
新しい触媒の発見は、新しいより効率的な化学プロセスの設計に不可欠である。
量子化学に基づく3次元原子論表現からのフィードバックで言語推論を統一するAI誘導型計算スクリーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-15T21:33:07Z) - An Artificial Intelligence (AI) workflow for catalyst design and
optimization [4.192356938537922]
本研究では,大規模言語モデル(LLM),ベイズ最適化,アクティブ学習ループを統合した,革新的な人工知能(AI)ワークフローを提案する。
提案手法は,高度な言語理解と頑健な最適化戦略を組み合わせることで,多種多様な文献から抽出した知識を実用的なパラメータに効果的に翻訳する。
その結果、従来の方法に代わる迅速で資源効率が高く高精度な触媒開発プロセスを効率化するワークフローの能力を強調した。
論文 参考訳(メタデータ) (2024-02-07T03:25:08Z) - Catalysis distillation neural network for the few shot open catalyst
challenge [1.1878820609988694]
本稿では,機械学習の反応予測への応用を推し進めるコンペであるFew-Shot Open Catalyst Challenge 2023を紹介する。
触媒蒸留グラフニューラルネットワーク(CDGNN)というフレームワークを用いた機械学習手法を提案する。
その結果,CDGNNは触媒構造からの埋め込みを効果的に学習し,構造吸着関係の捕捉を可能にした。
論文 参考訳(メタデータ) (2023-05-31T04:23:56Z) - HEAT: Hardware-Efficient Automatic Tensor Decomposition for Transformer
Compression [69.36555801766762]
本稿では,分解可能な指数空間を効率的に探索できるハードウェア対応テンソル分解フレームワークHEATを提案する。
ハードウェア対応のBERT変異体は, エネルギー遅延を5.7倍に低減し, 精度が1.1%以下であることを示す。
論文 参考訳(メタデータ) (2022-11-30T05:31:45Z) - 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) - Neural Networks with Quantization Constraints [111.42313650830248]
量子化学習における制約付き学習手法を提案する。
結果の問題は強い双対であり、勾配推定は不要であることを示す。
提案手法は画像分類タスクにおける競合性能を示す。
論文 参考訳(メタデータ) (2022-10-27T17:12:48Z) - 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) - Fully Quantized Image Super-Resolution Networks [81.75002888152159]
効率と精度を両立させるためのフル量子化画像超解像フレームワーク(FQSR)を提案する。
我々は、SRResNet、SRGAN、EDSRを含む複数の主流超解像アーキテクチャに量子化スキームを適用した。
低ビット量子化を用いたFQSRは、5つのベンチマークデータセットの完全精度と比較すると、パー性能で実現できる。
論文 参考訳(メタデータ) (2020-11-29T03:53:49Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳(メタデータ) (2020-10-15T18:09:48Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳(メタデータ) (2020-10-01T18:14:11Z)
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。