論文の概要: COEFF-KANs: A Paradigm to Address the Electrolyte Field with KANs
- arxiv url: http://arxiv.org/abs/2407.20265v1
- Date: Wed, 24 Jul 2024 14:45:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-31 19:27:58.369071
- Title: COEFF-KANs: A Paradigm to Address the Electrolyte Field with KANs
- Title（参考訳）: CoEFF-KANs:Kansで電解質分野に対処するパラダイム
- Authors: Xinhe Li, Zhuoying Feng, Yezeng Chen, Weichen Dai, Zixu He, Yi Zhou, Shuhong Jiao,
- Abstract要約: 液体電解質の組成に基づいてクーロン効率(CE)を自動的に予測する新しい手法を提案する。
得られた電解質の特徴を多層パーセプトロンまたはコルモゴロフ・アルノルドネットワークに入力してCEを予測する。
実世界のデータセットを用いた実験結果から,本手法はCE予測のためのSOTAを全ベースラインと比較した結果を得た。
- 参考スコア（独自算出の注目度）: 5.759388420139191
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To reduce the experimental validation workload for chemical researchers and accelerate the design and optimization of high-energy-density lithium metal batteries, we aim to leverage models to automatically predict Coulombic Efficiency (CE) based on the composition of liquid electrolytes. There are mainly two representative paradigms in existing methods: machine learning and deep learning. However, the former requires intelligent input feature selection and reliable computational methods, leading to error propagation from feature estimation to model prediction, while the latter (e.g. MultiModal-MoLFormer) faces challenges of poor predictive performance and overfitting due to limited diversity in augmented data. To tackle these issues, we propose a novel method COEFF (COlumbic EFficiency prediction via Fine-tuned models), which consists of two stages: pre-training a chemical general model and fine-tuning on downstream domain data. Firstly, we adopt the publicly available MoLFormer model to obtain feature vectors for each solvent and salt in the electrolyte. Then, we perform a weighted average of embeddings for each token across all molecules, with weights determined by the respective electrolyte component ratios. Finally, we input the obtained electrolyte features into a Multi-layer Perceptron or Kolmogorov-Arnold Network to predict CE. Experimental results on a real-world dataset demonstrate that our method achieves SOTA for predicting CE compared to all baselines. Data and code used in this work will be made publicly available after the paper is published.
- Abstract（参考訳）: 化学研究者の検証作業量を削減し,高エネルギー密度リチウム金属電池の設計と最適化を加速するために,我々は,液体電解質の組成に基づいてクーロン効率(CE)を自動的に予測するモデルを活用することを目的とする。
既存の手法には、主に機械学習とディープラーニングの2つの代表的なパラダイムがある。
しかし、前者はインテリジェントな入力特徴選択と信頼性の高い計算手法を必要としており、特徴推定からモデル予測への誤差伝播につながる一方、後者(例えば、MultiModal-MoLFormer)は、拡張データの多様性の制限による予測性能の低下と過度な適合という課題に直面している。
これらの課題に対処するために, 化学一般モデルの事前学習と下流領域データによる微調整という2つの段階からなるCOEFF(columbic EFficiency prediction via Fine-tuned model)を提案する。
まず, 電解質中の各溶媒および塩の特徴ベクトルを得るために, 利用可能なMoLFormerモデルを採用する。
そして, それぞれの電解質成分比から, 全分子にまたがる各トークンの重み付け平均を導出する。
最後に、得られた電解質の特徴を多層パーセプトロンまたはコルモゴロフ・アルノルドネットワークに入力し、CEを予測する。
実世界のデータセットを用いた実験結果から,本手法はCE予測のためのSOTAを全ベースラインと比較した結果を得た。
この作業で使用されるデータとコードは、論文が公開された後に公開される予定である。
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) - Balancing Molecular Information and Empirical Data in the Prediction of Physico-Chemical Properties [8.649679686652648]
本稿では,分子記述子と表現学習を組み合わせた一般的な手法を提案する。
提案したハイブリッドモデルは,グラフニューラルネットワークを用いた化学構造情報を利用する。
構造に基づく予測が信頼できない場合を自動的に検出し、表現学習に基づく予測によって修正する。
論文 参考訳（メタデータ） (2024-06-12T10:51:00Z) - Generating Comprehensive Lithium Battery Charging Data with Generative AI [24.469319419012745]
本研究では、生成AIモデルの条件として、EOL(End of Life)とECL(Equivalent Cycle Life)を紹介する。
CVAEモデルに埋め込み層を組み込むことにより, RCVAE(Refined Conditional Variational Autoencoder)を開発した。
準ビデオ形式にプリプロセッシングすることで、電圧、電流、温度、充電容量を含む電気化学データの総合的な合成を実現する。
この方法は、リチウム電池データの人工合成のための新しい研究領域を開拓する、包括的な電気化学データセットを提供する。
論文 参考訳（メタデータ） (2024-04-11T09:08:45Z) - 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) - 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) - Electronic-structure properties from atom-centered predictions of the
electron density [0.0]
分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。
最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。
予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
論文 参考訳（メタデータ） (2022-06-28T15:35:55Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳（メタデータ） (2022-03-03T19:56:24Z) - 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) - 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) - Modified Gaussian Process Regression Models for Cyclic Capacity
Prediction of Lithium-ion Batteries [5.663192900261267]
本稿では,リチウムイオン電池の容量予測のための機械学習によるデータ駆動モデルの開発について述べる。
開発モデルは, 種々のサイクリングパターンを有する酸化ニッケル (MCN) リチウムイオン電池と比較した。
論文 参考訳（メタデータ） (2020-12-31T19:05:27Z) - 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)
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。