論文の概要: Unifying Mixed Gas Adsorption in Molecular Sieve Membranes and MOFs using Machine Learning
- arxiv url: http://arxiv.org/abs/2406.13389v1
- Date: Wed, 19 Jun 2024 09:30:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-21 20:22:37.743023
- Title: Unifying Mixed Gas Adsorption in Molecular Sieve Membranes and MOFs using Machine Learning
- Title（参考訳）: 機械学習による分子シーブ膜とMOFの混合ガス吸着
- Authors: Subhadeep Dasgupta, Amal R S, Prabal K. Maiti,
- Abstract要約: 最近の機械学習モデルは、ポリマーまたは金属-有機フレームワーク(MOF)を別途重視している。
両方のタイプの吸着剤の傾向を予測する統一モデルを作成することの難しさは困難である。
本研究では, ガス混合物と吸着剤の物理的性質のみを含む特徴ベクトルを用いて, これらの問題に対処する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent machine learning models to accurately obtain gas adsorption isotherms focus on polymers or metal-organic frameworks (MOFs) separately. The difficulty in creating a unified model that can predict the adsorption trends in both types of adsorbents is challenging, owing to the diversity in their chemical structures. Moreover, models trained only on single gas adsorption data are incapable of predicting adsorption isotherms for binary gas mixtures. In this work, we address these problems using feature vectors comprising only the physical properties of the gas mixtures and adsorbents. Our model is trained on adsorption isotherms of both single and binary mixed gases inside carbon molecular sieving membrane (CMSM), together with data available from CoRE MOF database. The trained models are capable of accurately predicting the adsorption trends in both classes of materials, for both pure and binary components. ML architecture designed for one class of material, is not suitable for predicting the other class, even after proper training, signifying that the model must be trained jointly for proper predictions and transferability. The model is used to predict with good accuracy the CO2 uptake inside CALF-20 framework. This work opens up a new avenue for predicting complex adsorption processes for gas mixtures in a wide range of materials.
- Abstract（参考訳）: 気体吸着等温線を正確に取得するための最近の機械学習モデルは、ポリマーまたは金属-有機フレームワーク(MOF)を別々に焦点をあてている。
両タイプの吸着剤の吸着傾向を予測できる統一モデルを作成することの難しさは, 化学構造の多様性のため, 困難である。
さらに, 単一ガス吸着データにのみ訓練したモデルでは, 二成分混合ガスの吸着等温線を予測できない。
本研究では, ガス混合物と吸着剤の物性のみを含む特徴ベクトルを用いて, これらの問題に対処する。
本モデルは,COREMOFデータベースから得られるデータとともに,炭素分子捕捉膜 (CMSM) 内の単一および二成分混合ガスの吸着等温性について訓練した。
トレーニングされたモデルでは、純粋なコンポーネントとバイナリコンポーネントの両方に対して、材料の両方のクラスにおける吸着傾向を正確に予測することができる。
ある種類の材料のために設計されたMLアーキテクチャは、適切なトレーニングの後であっても、他のクラスの予測には適さない。
このモデルは、CALF-20フレームワーク内のCO2の取り込みを精度良く予測するために使用される。
この研究は、幅広い材料における気体混合物の複雑な吸着過程を予測するための新しい道を開く。
関連論文リスト
- Hierarchical Matrix Completion for the Prediction of Properties of Binary Mixtures [3.0478550046333965]
データ駆動モデルを改善するための新しいジェネリックアプローチを導入する。
化学のクラスに同じように振る舞うコンポーネントを持ち込み、それらを共同でモデル化します。
クラスタリングを使用すると、クラスタリングなしのCMに比べて予測が大幅に改善される。
論文 参考訳（メタデータ） (2024-10-08T14:04:30Z) - A Structured Framework for Predicting Sustainable Aviation Fuel Properties using Liquid-Phase FTIR and Machine Learning [0.0]
本研究では, 精密な分子, 航空燃料, ブレンドの精度, 解釈可能な特性予測モデルを構築するための構造的手法を提案する。
この手法は、FTIRスペクトルを非負行列因子化を用いて基本構造ブロックに分解する。
NMFの機能は、最終沸点、点火点、凍結点、密度15C、運動粘度-20Cを予測するための5つのアンサンブルモデルを作成するために使用される。
論文 参考訳（メタデータ） (2024-08-02T18:43:22Z) - Adaptive Fuzzy C-Means with Graph Embedding [84.47075244116782]
ファジィクラスタリングアルゴリズムは、大まかに2つの主要なグループに分類できる: ファジィC平均法(FCM)と混合モデルに基づく方法。
本稿では,FCMを用いたクラスタリングモデルを提案する。
論文 参考訳（メタデータ） (2024-05-22T08:15:50Z) - Graph Neural Networks for Carbon Dioxide Adsorption Prediction in Aluminium-Exchanged Zeolites [3.909855210960908]
分子シミュレーションと比較して吸着特性が4～5桁高速なモデルを提案する。
機械学習モデルから得られた予測はモンテカルロシミュレーションから得られた値と一致している。
このモデルは, 吸着部位の同定に有効であることを示す。
論文 参考訳（メタデータ） (2024-03-19T11:49:08Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳（メタデータ） (2023-06-09T03:04:21Z) - Atomic and Subgraph-aware Bilateral Aggregation for Molecular
Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。
ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。
本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文 参考訳（メタデータ） (2023-05-22T00:56:00Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - 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) - Toward Machine Learned Highly Reduce Kinetic Models For Methane/Air
Combustion [0.0]
運動モデルを用いて、物理実験と比較して運転条件、燃料組成、燃焼器設計の影響をテストする。
対象とする詳細なモデル特性を高い忠実度で再現するコンパクトモデルを作成するための,新しいデータ指向三段階法を提案する。
この戦略はメタン/空気燃焼のための19種と15種のコンパクトモデルによって実証されている。
論文 参考訳（メタデータ） (2021-03-15T13:29:08Z)
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。