論文の概要: Machine learning assisted screening of metal binary alloys for anode materials

• arxiv url: http://arxiv.org/abs/2409.09583v1
• Date: Sun, 15 Sep 2024 01:56:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-17 20:07:53.476700
• Title: Machine learning assisted screening of metal binary alloys for anode materials
• Title（参考訳）: 陽極材料用金属二元合金の機械学習によるスクリーニング
• Authors: Xingyue Shi, Linming Zhou, Yuhui Huang, Yongjun Wu, Zijian Hong,
• Abstract要約: 本研究では,合金陽極材料の発見と最適化を高速化するための機械学習支援戦略を提案する。 我々はMPとAFLOWデータベースから膨大なデータセットをコンパイルし、何万もの合金組成と特性を包含した。 実験データと比較し, 合金陽極の電位および比容量を精度良く予測した。
• 参考スコア（独自算出の注目度）: 2.218316486552748
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the dynamic and rapidly advancing battery field, alloy anode materials are a focal point due to their superior electrochemical performance. Traditional screening methods are inefficient and time-consuming. Our research introduces a machine learning-assisted strategy to expedite the discovery and optimization of these materials. We compiled a vast dataset from the MP and AFLOW databases, encompassing tens of thousands of alloy compositions and properties. Utilizing a CGCNN, we accurately predicted the potential and specific capacity of alloy anodes, validated against experimental data. This approach identified approximately 120 low potential and high specific capacity alloy anodes suitable for various battery systems including Li, Na, K, Zn, Mg, Ca, and Al-based. Our method not only streamlines the screening of battery anode materials but also propels the advancement of battery material research and innovation in energy storage technology.
• Abstract（参考訳）: 動的で急速に進行するバッテリフィールドでは, 合金陽極材料は電気化学的特性が優れており, 焦点となる。 従来のスクリーニング手法は非効率で時間を要する。 本研究は,これらの素材の発見と最適化を迅速化するための機械学習支援戦略を提案する。 我々はMPとAFLOWデータベースから膨大なデータセットをコンパイルし、何万もの合金組成と特性を包含した。 CGCNNを用いて, 合金陽極の電位および比容量を精度良く予測し, 実験データと比較した。 このアプローチによりLi, Na, K, Zn, Mg, Ca, Al系を含む各種電池システムに適した120個の低電位および高比容量合金陽極が同定された。 本手法は, 電池陽極材料のスクリーニングを効率化するだけでなく, 電池材料研究の進展とエネルギー貯蔵技術の革新も促進する。

関連論文リスト

• Energy-GNoME: A Living Database of Selected Materials for Energy Applications [0.0]
  最近のGNoMEプロトコルは、380,000以上の新しい安定結晶を識別している。 我々はエネルギー-GNoMEデータベースを構成するエネルギー材料として33,000以上の物質を潜在的に同定する。
  論文  参考訳（メタデータ） (2024-11-15T11:48:14Z)
• 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)
• Lowering the Exponential Wall: Accelerating High-Entropy Alloy Catalysts Screening using Local Surface Energy Descriptors from Neural Network Potentials [0.0]
  本研究では, 単金属系からのデータを用いたHEA特性の迅速予測法を提案する。 我々は古典機械学習と量子機械学習の両方を用いて高精度モデルを開発した。 提案手法は, HEA化学空間の探索を加速し, 新規触媒の設計を容易にする。
  論文  参考訳（メタデータ） (2024-04-12T11:54:06Z)
• Quantum Electrometer for Time-Resolved Material Science at the Atomic Lattice Scale [0.0]
  本稿では, 非線形スターク応答を有する固体材料に埋没した光学活性スピン欠陥の分光を応用した電磁計の開発について述べる。 電荷トラップの局所化、輸送力学と騒音発生への影響の定量化、関連物質特性の解析、材料最適化戦略の開発に成功した。
  論文  参考訳（メタデータ） (2024-01-25T16:29:11Z)
• AI-accelerated Discovery of Altermagnetic Materials [48.261668305411845]
  新たな磁気相であるオルテルマグネティズムは、強磁性と反強磁性とを区別して理論的に提案され、実験的に検証されている。 本稿では,AI検索エンジンによる自動発見手法を提案する。 金属、半導体、絶縁体をカバーする新しい50の磁気材料を発見しました。
  論文  参考訳（メタデータ） (2023-11-08T01:06:48Z)
• Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
  本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。 本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。 その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
  論文  参考訳（メタデータ） (2023-10-07T21:36:55Z)
• 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)
• Accurate Surface and Finite Temperature Bulk Properties of Lithium Metal at Large Scales using Machine Learning Interaction Potentials [9.457954280246286]
  我々は,DFTデータに基づく機械学習インタラクションポテンシャル(MLIP)を,実験結果とab-initio結果の再現における最先端の精度に訓練する。 DFTを用いて, 熱力学特性, フォノンスペクトル, 弾性定数の温度依存性, および各種表面特性を正確に予測する。 我々は、ミラー指数面に対する自己吸着エネルギーと最小表面拡散障壁に関連するベル・エバンス・ポラニ関係が存在することを証明した。
  論文  参考訳（メタデータ） (2023-04-24T20:09:07Z)
• 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)
• Online Preconditioning of Experimental Inkjet Hardware by Bayesian Optimization in Loop [62.997667081978825]
  インクジェットプリンタから堆積した液滴構造を最適化するためのコンピュータビジョン駆動ベイズ最適化フレームワークを開発する。 フレームワークを用いて,最適インクジェットハードウェア条件の収束を10分で示す。
  論文  参考訳（メタデータ） (2021-05-06T17:46:16Z)

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。