論文の概要: Machine Learning Based Prediction of Proton Conductivity in Metal-Organic Frameworks

• arxiv url: http://arxiv.org/abs/2407.09514v2
• Date: Wed, 17 Jul 2024 06:01:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 03:51:44.086378
• Title: Machine Learning Based Prediction of Proton Conductivity in Metal-Organic Frameworks
• Title（参考訳）: 機械学習による金属-有機系のプロトン伝導率予測
• Authors: Seunghee Han, Byeong Gwan Lee, Dae Woon Lim, Jihan Kim,
• Abstract要約: 金属-有機フレームワーク(MOF)は、プロトン交換膜燃料電池における固体電解質としての可能性を持っている。 我々は,プロトン伝導性MOFのデータベースを開発し,そのプロトン伝導性を予測するために機械学習技術を適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recently, metal-organic frameworks (MOFs) have demonstrated their potential as solid-state electrolytes in proton exchange membrane fuel cells. However, the number of MOFs reported to exhibit proton conductivity remains limited, and the mechanisms underlying this phenomenon are not fully elucidated, complicating the design of proton-conductive MOFs. In response, we developed a comprehensive database of proton-conductive MOFs and applied machine learning techniques to predict their proton conductivity. Our approach included the construction of both descriptor-based and transformer-based models. Notably, the transformer-based transfer learning (Freeze) model performed the best with a mean absolute error (MAE) of 0.91, suggesting that the proton conductivity of MOFs can be estimated within one order of magnitude using this model. Additionally, we employed feature importance and principal component analysis to explore the factors influencing proton conductivity. The insights gained from our database and machine learning model are expected to facilitate the targeted design of proton-conductive MOFs.
• Abstract（参考訳）: 近年, 金属-有機組織(MOF)は, プロトン交換膜燃料電池の固体電解質としての可能性を示している。 しかし、プロトン伝導性を示すと報告されたMOFの数は限られており、この現象のメカニズムは完全に解明されておらず、プロトン伝導性MOFの設計を複雑にしている。 そこで我々は,プロトン導電性MOFの包括的なデータベースを構築し,そのプロトン導電性を予測するために機械学習技術を適用した。 私たちのアプローチには、ディスクリプタベースとトランスフォーマーベースの両方のモデルの構築が含まれています。 特に,変圧器を用いた伝達学習(Freeze)モデルでは平均絶対誤差(MAE)が0.91であり,MOFの陽子伝導率を1桁以内で推定できることが示唆された。 さらに, プロトン伝導率に影響を与える因子を探索するために, 特徴重要度と主成分分析を用いた。 我々のデータベースと機械学習モデルから得られた知見は、プロトン伝導型MOFのターゲット設計を促進することが期待されている。

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)
• Nanoscale single-electron box with a floating lead for quantum sensing: modelling and device characterization [0.0]
  本研究では,浮動小数点ノードによる単一電子箱(SEB)の詳細な解析を行う。 集積シリコン量子ドット(QD)のための単一電子電荷センシング技術のコンテキストを解析し、特徴付ける。
  論文  参考訳（メタデータ） (2024-04-23T13:05:36Z)
• Rotor Lattice Model of Ferroelectric Large Polarons [0.0]
  短距離電荷-ロータ相互作用がロータの長距離強誘電体秩序に繋がることを示す。 これは分子材料の電子的性質を明らかにする単純なモデルの可能性を示している。
  論文  参考訳（メタデータ） (2023-01-24T09:23:33Z)
• Studying chirality imbalance with quantum algorithms [62.997667081978825]
  我々は(1+1)次元ナムブ・ジョナ・ラシニオ(NJL)モデルを用いて、強相互作用物質のキラル相構造とキラル電荷密度を研究する。 量子想像時間進化法 (QITE) を用いて, 格子上の (1+1) 次元NJLモデルを温度$T$, 化学ポテンシャル$mu$, $mu_5$でシミュレートする。
  論文  参考訳（メタデータ） (2022-10-06T17:12:33Z)
• 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)
• TOF-SIMS Analysis of Decoherence Sources in Nb Superconducting Resonators [48.7576911714538]
  超伝導量子ビットは、潜在的に基盤となるプラットフォーム技術として出現している。 材料品質と界面構造は、デバイスの性能を抑え続けている。 薄膜および隣接領域の2レベル系欠陥はノイズを導入し、電磁エネルギーを散逸させる。
  論文  参考訳（メタデータ） (2021-08-30T22:22:47Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• 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)
• Closed-Loop Design of Proton Donors for Lithium-Mediated Ammonia Synthesis with Interpretable Models and Molecular Machine Learning [0.0]
  テトラヒドロフラン系電解質中のリチウムを介する電気化学的窒素還元反応に対する数種類のプロトンドナーの有効性を実験的に検討した。 我々は、Kamlet-Taftパラメータを活性陽子ドナーと不活性陽子ドナーの区別に重要なものとして、解釈可能なデータ駆動分類モデルを構築した。 Kamlet-Taftパラメータのデータセットをキュレートした後、我々はKamlet-Taftパラメータを予測するためにディープラーニングモデルを訓練した。
  論文  参考訳（メタデータ） (2020-08-18T17:58:52Z)
• MLSolv-A: A Novel Machine Learning-Based Prediction of Solvation Free Energies from Pairwise Atomistic Interactions [0.0]
  MLに基づく新しい解法モデルを導入し, 対の原子間相互作用から解エネルギーを計算する。 6,493実験の結果, トレーニングデータの拡大に際し, 優れた性能と伝達性を実現した。
  論文  参考訳（メタデータ） (2020-05-13T06:53:54Z)

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。