論文の概要: Uni-ELF: A Multi-Level Representation Learning Framework for Electrolyte Formulation Design
- arxiv url: http://arxiv.org/abs/2407.06152v1
- Date: Mon, 8 Jul 2024 17:26:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-09 14:40:07.158399
- Title: Uni-ELF: A Multi-Level Representation Learning Framework for Electrolyte Formulation Design
- Title（参考訳）: Uni-ELF: 電解質の定式化設計のための多層表現学習フレームワーク
- Authors: Boshen Zeng, Sian Chen, Xinxin Liu, Changhong Chen, Bin Deng, Xiaoxu Wang, Zhifeng Gao, Yuzhi Zhang, Weinan E, Linfeng Zhang,
- Abstract要約: 電解質設計を進めるための新しい多レベル表現学習フレームワークUni-ELFを紹介する。
本手法では, 分子レベルでの3次元分子構造をUni-Molモデルを用いて再構成し, 統計的構造特性の予測を行う。
この包括的事前学習により、Uni-ELFは複雑な分子レベルと混合レベルの情報をキャプチャすることができ、予測能力を大幅に向上させることができる。
私たちはこの革新的なフレームワークが、AIベースの電解質設計とエンジニアリングの自動化の道を開くと信じています。
- 参考スコア（独自算出の注目度）: 20.855235423913285
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advancements in lithium battery technology heavily rely on the design and engineering of electrolytes. However, current schemes for molecular design and recipe optimization of electrolytes lack an effective computational-experimental closed loop and often fall short in accurately predicting diverse electrolyte formulation properties. In this work, we introduce Uni-ELF, a novel multi-level representation learning framework to advance electrolyte design. Our approach involves two-stage pretraining: reconstructing three-dimensional molecular structures at the molecular level using the Uni-Mol model, and predicting statistical structural properties (e.g., radial distribution functions) from molecular dynamics simulations at the mixture level. Through this comprehensive pretraining, Uni-ELF is able to capture intricate molecular and mixture-level information, which significantly enhances its predictive capability. As a result, Uni-ELF substantially outperforms state-of-the-art methods in predicting both molecular properties (e.g., melting point, boiling point, synthesizability) and formulation properties (e.g., conductivity, Coulombic efficiency). Moreover, Uni-ELF can be seamlessly integrated into an automatic experimental design workflow. We believe this innovative framework will pave the way for automated AI-based electrolyte design and engineering.
- Abstract（参考訳）: リチウム電池技術の進歩は電解質の設計と工学に大きく依存している。
しかし、分子設計と電解質のレシピ最適化の現在のスキームは、有効な計算実験の閉ループを欠き、しばしば様々な電解質の定式化特性を正確に予測するのに不足する。
本研究では,電解質設計を進展させる新しい多レベル表現学習フレームワークUni-ELFを紹介する。
分子レベルでの3次元分子構造をUni-Molモデルを用いて再構成し,分子動力学シミュレーションから統計的構造特性(放射分布関数など)を予測する。
この包括的事前学習により、Uni-ELFは複雑な分子レベルと混合レベルの情報をキャプチャすることができ、予測能力を大幅に向上させることができる。
結果として、Uni-ELFは、分子特性(例えば、融点、沸点、合成性)と定式化特性(例えば、導電性、クーロン効率)を予測するための最先端の手法を大幅に上回る。
さらに、Uni-ELFは自動実験設計ワークフローにシームレスに統合できる。
私たちはこの革新的なフレームワークが、AIベースの電解質設計とエンジニアリングの自動化の道を開くと信じています。
関連論文リスト
- Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。
炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
論文 参考訳（メタデータ） (2024-05-09T19:51:27Z) - BAMBOO: a predictive and transferable machine learning force field framework for liquid electrolyte development [11.682763325188525]
本稿では,分子動力学(MD)シミュレーションのための新しいフレームワークであるBAMBOOを紹介し,リチウム電池用液体電解質の文脈でその能力を実証する。
BamBOOは密度、粘性、イオン伝導率などの主要な電解質特性を予測するための最先端の精度を示す。
この研究は、一般的な有機液体の性質をシミュレートできる「ユニバーサルMLFF」への道を開くことを目的としている。
論文 参考訳（メタデータ） (2024-04-10T17:31:49Z) - Formulation Graphs for Mapping Structure-Composition of Battery
Electrolytes to Device Performance [0.08974531206817746]
定式化グラフ畳み込みネットワーク(F-GCN)は、個々の成分の構造-構成関係を、液体定式化全体の特性にマッピングすることができる。
このモデルは、クーロン効率(CE)のようなパフォーマンス指標と、最も低いエラーを報告された新しい電解質の定式化の特定の能力を予測するために示される。
論文 参考訳（メタデータ） (2023-07-07T19:34:43Z) - Toward High-Performance Energy and Power Battery Cells with Machine
Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。
本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。
以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
論文 参考訳（メタデータ） (2023-07-07T13:48:50Z) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳（メタデータ） (2023-06-08T17:12:08Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳（メタデータ） (2022-05-17T13:08:28Z) - Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。
毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
論文 参考訳（メタデータ） (2021-11-30T06:10:22Z) - 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) - Multi-task learning for electronic structure to predict and explore
molecular potential energy surfaces [39.228041052681526]
我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。
このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。
ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
論文 参考訳（メタデータ） (2020-11-05T06:48:46Z) - Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。
どちらの手法もエネルギーと基底状態の優れた推定値を提供する。
勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
論文 参考訳（メタデータ） (2020-11-02T19:52:04Z) - Automated discovery of a robust interatomic potential for aluminum [4.6028828826414925]
機械学習(ML)ベースのポテンシャルは、量子力学(QM)計算の忠実なエミュレーションを、計算コストを大幅に削減することを目的としている。
アクティブラーニング(AL)の原理を用いたデータセット構築のための高度に自動化されたアプローチを提案する。
アルミニウム(ANI-Al)のMLポテンシャル構築によるこのアプローチの実証
転写性を示すために、1.3M原子衝撃シミュレーションを行い、非平衡力学から採取した局所原子環境上でのDFT計算とANI-Al予測がよく一致することを示す。
論文 参考訳（メタデータ） (2020-03-10T19:06:32Z)
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。