論文の概要: Adsorb-Agent: Autonomous Identification of Stable Adsorption Configurations via Large Language Model Agent

• arxiv url: http://arxiv.org/abs/2410.16658v2
• Date: Mon, 16 Dec 2024 16:21:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:49:50.481003
• Title: Adsorb-Agent: Autonomous Identification of Stable Adsorption Configurations via Large Language Model Agent
• Title（参考訳）: 吸着エージェント:大規模言語モデルエージェントによる安定吸着構成の自律的同定
• Authors: Janghoon Ock, Tirtha Vinchurkar, Yayati Jadhav, Amir Barati Farimani,
• Abstract要約: 本稿では,システム固有の安定な吸着構成を効率的に識別するLarge Language Model (LLM)エージェントであるAdsorb-Agentを紹介する。 徹底的なサンプリングへの依存を減らすことで、必要な初期設定の数を著しく削減する。 システム全体の35%で実際の世界最小値に近い低いエネルギーを達成し、従来の方法よりもはるかに少ない初期設定を必要とする。
• 参考スコア（独自算出の注目度）: 5.812284760539713
• License:
• Abstract: Adsorption energy is a key reactivity descriptor in catalysis, enabling efficient screening for optimal catalysts. However, determining adsorption energy typically requires evaluating numerous adsorbate-catalyst configurations. Current algorithmic approaches rely on exhaustive enumeration of adsorption sites and configurations, which makes the process computationally intensive and does not inherently guarantee the identification of the global minimum energy. In this work, we introduce Adsorb-Agent, a Large Language Model (LLM) agent designed to efficiently identify system-specific stable adsorption configurations corresponding to the global minimum adsorption energy. Adsorb-Agent leverages its built-in knowledge and emergent reasoning capabilities to strategically explore adsorption configurations likely to hold adsorption energy. By reducing the reliance on exhaustive sampling, it significantly decreases the number of initial configurations required while improving the accuracy of adsorption energy predictions. We evaluate Adsorb-Agent's performance across twenty representative systems encompassing a range of complexities. The Adsorb-Agent successfully identifies comparable adsorption energies for 83.7% of the systems and achieves lower energies, closer to the actual global minimum, for 35% of the systems, while requiring significantly fewer initial configurations than conventional methods. Its capability is particularly evident in complex systems, where it identifies lower adsorption energies for 46.7% of systems involving intermetallic surfaces and 66.7% of systems with large adsorbate molecules. These results demonstrate the potential of Adsorb-Agent to accelerate catalyst discovery by reducing computational costs and improving the reliability of adsorption energy predictions.
• Abstract（参考訳）: 吸着エネルギーは触媒反応における重要な反応性記述子であり、最適な触媒の効率的なスクリーニングを可能にする。 しかし、吸着エネルギーを決定するには、多くの吸着剤触媒の構成を評価する必要がある。 現在のアルゴリズムのアプローチは、吸着部位と構成の徹底的な列挙に依存しており、このプロセスは計算集約であり、地球規模の最小エネルギーの同定を本質的に保証しない。 本研究では,グローバルな最小吸着エネルギーに対応するシステム固有の安定吸着構成を効率的に同定する大規模言語モデル (LLM) エージェントであるAdsorb-Agentを紹介する。 Adsorb-Agentは、その組み込み知識と創発的推論能力を利用して、吸着エネルギーを保持する可能性のある吸着配置を戦略的に探索する。 徹底的なサンプリングへの依存を減らすことにより、吸着エネルギー予測の精度を向上しつつ、必要な初期構成の数を著しく削減する。 複雑度を含む20の代表的なシステムを対象としたAdsorb-Agentの性能評価を行った。 Adsorb-Agentは83.7%のシステムで同等の吸着エネルギーを同定し、35%のシステムで実際の世界最小値に近い低いエネルギーを達成する。 複雑な系では特に顕著であり、金属間表面を含む系の46.7%、大きな吸着分子を持つ系の66.7%に対して低い吸着エネルギーを示す。 これらの結果は, 計算コストを低減し, 吸着エネルギー予測の信頼性を向上させることにより, 触媒発見を加速する吸着アジェントの可能性を示した。

関連論文リスト

• Explainable Data-driven Modeling of Adsorption Energy in Heterogeneous Catalysis [6.349503549199403]
  本研究の目的は,物理研究とデータ駆動手法のギャップを埋めることである。 我々は、ポストホックXAI分析とシンボリック回帰という2つのXAI技術を採用している。 私たちの仕事は、機械学習技術とXAIを統合する堅牢なフレームワークを確立します。
  論文  参考訳（メタデータ） (2024-05-30T18:06:14Z)
• Adaptive Catalyst Discovery Using Multicriteria Bayesian Optimization with Representation Learning [17.00084254889438]
  高性能触媒は、持続可能なエネルギー変換と人間の健康に不可欠である。 触媒の発見は、巨大で高次元の構造と合成空間をナビゲートするための効率的なアプローチがないため、課題に直面している。
  論文  参考訳（メタデータ） (2024-04-18T18:11:06Z)
• 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)
• ChemReasoner: Heuristic Search over a Large Language Model's Knowledge Space using Quantum-Chemical Feedback [37.06094829713273]
  新しい触媒の発見は、新しいより効率的な化学プロセスの設計に不可欠である。 量子化学に基づく3次元原子論表現からのフィードバックで言語推論を統一するAI誘導型計算スクリーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-15T21:33:07Z)
• AdsorbRL: Deep Multi-Objective Reinforcement Learning for Inverse Catalysts Design [0.0]
  クリーンエネルギー移行における中心的な課題は、低エミッション技術のための触媒の開発である。 量子化学における機械学習の最近の進歩は、触媒活性記述子の計算を劇的に加速させる。 本稿では,多目的結合エネルギーターゲットが与えられた潜在的な触媒を特定することを目的とした,深層強化学習エージェントであるAdsorbRLを紹介する。
  論文  参考訳（メタデータ） (2023-12-04T19:44:04Z)
• On the importance of catalyst-adsorbate 3D interactions for relaxed energy predictions [98.70797778496366]
  吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。 結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
  論文  参考訳（メタデータ） (2023-10-10T14:57:04Z)
• DR-Label: Improving GNN Models for Catalysis Systems by Label Deconstruction and Reconstruction [72.20024514713633]
  本稿では,新しいグラフニューラルネットワーク(GNN)と予測戦略DR-Labelを提案する。 この戦略は、監視信号を強化し、エッジ表現における解の多重度を低減し、ノード予測を堅牢にすることを促す。 DR-Labelは3つの根本的に異なるモデルに適用され、それぞれが一貫した性能向上を示した。
  論文  参考訳（メタデータ） (2023-03-06T04:01:28Z)
• AdsorbML: A Leap in Efficiency for Adsorption Energy Calculations using Generalizable Machine Learning Potentials [8.636519538557001]
  機械学習のポテンシャルを利用して、低エネルギー吸着面の配置をより正確に、効率的に特定できることを示す。 我々のアルゴリズムは、精度と効率のトレードオフのスペクトルを提供し、1つのバランスの取れたオプションは、その時間の87.36%のエネルギー構成を見つける。
  論文  参考訳（メタデータ） (2022-11-29T18:54:55Z)
• Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
  グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。 本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-15T13:52:15Z)
• An Accelerated Doubly Stochastic Gradient Method with Faster Explicit Model Identification [97.28167655721766]
  本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。 まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
  論文  参考訳（メタデータ） (2022-08-11T22:27:22Z)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)

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。