論文の概要: Energy-GNoME: A Living Database of Selected Materials for Energy Applications

• arxiv url: http://arxiv.org/abs/2411.10125v1
• Date: Fri, 15 Nov 2024 11:48:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:36:57.087560
• Title: Energy-GNoME: A Living Database of Selected Materials for Energy Applications
• Title（参考訳）: Energy-GNoME: エネルギー利用のための選択材料データベース
• Authors: Paolo De Angelis, Giovanni Trezza, Giulio Barletta, Pietro Asinari, Eliodoro Chiavazzo,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Artificial Intelligence (AI) in materials science is driving significant advancements in the discovery of advanced materials for energy applications. The recent GNoME protocol identifies over 380,000 novel stable crystals. From this, we identify over 33,000 materials with potential as energy materials forming the Energy-GNoME database. Leveraging Machine Learning (ML) and Deep Learning (DL) tools, our protocol mitigates cross-domain data bias using feature spaces to identify potential candidates for thermoelectric materials, novel battery cathodes, and novel perovskites. Classifiers with both structural and compositional features identify domains of applicability, where we expect enhanced accuracy of the regressors. Such regressors are trained to predict key materials properties like, thermoelectric figure of merit (zT), band gap (Eg), and cathode voltage ($\Delta V_c$). This method significantly narrows the pool of potential candidates, serving as an efficient guide for experimental and computational chemistry investigations and accelerating the discovery of materials suited for electricity generation, energy storage and conversion.
• Abstract（参考訳）: 材料科学における人工知能(AI)は、エネルギー応用のための先進的な材料発見において大きな進歩を導いている。 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。 この結果から,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した。 機械学習(ML)とディープラーニング(DL)ツールを活用することで、機能空間を用いてクロスドメインデータのバイアスを緩和し、熱電材料、新しい電池陰極、新しいペロブスカイトなどの候補を特定する。 構造的特徴と構成的特徴の両方を持つ分類器は、回帰器の精度の向上を期待する適用性の領域を特定する。 このような回帰器は、熱電図(zT)、バンドギャップ(Eg)、陰極電圧(\Delta V_c$)などの重要な材料特性を予測するために訓練される。 この方法は潜在的な候補のプールを著しく狭め、実験および計算化学研究の効率的なガイドとなり、発電、エネルギー貯蔵および変換に適した物質の発見を加速する。

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)
• Machine learning assisted screening of metal binary alloys for anode materials [2.218316486552748]
  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。
  論文  参考訳（メタデータ） (2024-09-15T01:56:09Z)
• Accelerating materials discovery for polymer solar cells: Data-driven insights enabled by natural language processing [5.527358421206627]
  本稿では, 高分子太陽電池ドナー/アクセプターペアの発見のための各種能動的学習手法のシミュレーションを行う。 提案手法は, 材料革新の15年間の加速に相当し, 発見時間を約75%短縮する可能性を示した。
  論文  参考訳（メタデータ） (2024-02-29T18:54:46Z)
• 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)
• Large Language Models as Master Key: Unlocking the Secrets of Materials Science with GPT [9.33544942080883]
  本稿では,物質科学におけるデバイスレベルでの情報抽出の複雑さに対処するため,構造化情報推論(SII)と呼ばれる自然言語処理(NLP)タスクを提案する。 我々は、既存のペロブスカイト型太陽電池FAIRデータセットに91.8%のF1スコアでGPT-3をチューニングし、リリース以来のデータでデータセットを拡張した。 また、太陽電池の電気性能を予測する実験を設計し、大規模言語モデル(LLM)を用いてターゲットパラメータを持つ材料や装置の設計を行った。
  論文  参考訳（メタデータ） (2023-04-05T04:01:52Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• 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)
• Active learning based generative design for the discovery of wide bandgap materials [6.5175897155391755]
  本論文では, アクティブ学習と, 深変量オートエンコーダニューラルネットワークと, ジェネレーション対向型ディープニューラルネットワークモデルを組み合わせた, アクティブジェネレーション逆設計手法を提案する。 この手法の応用により、高バンドギャップを有する新しい熱力学的に安定な材料と、特定のバンドギャップ範囲の半導体を発見できる。 本実験は, 能動学習自体が化学的に不可能な候補を抽出するのに対して, これらのサンプルは, 生成モデルが生成する仮説材料から望ましい特性を持つ材料をフィルタリングする効果的なスクリーニングモデルを訓練するのに有効であることを示した。
  論文  参考訳（メタデータ） (2021-02-28T20:15:23Z)
• Polymers for Extreme Conditions Designed Using Syntax-Directed Variational Autoencoders [53.34780987686359]
  現在、機械学習ツールは、望まれる特性を持つ材料候補を事実上スクリーニングするために使用される。 このアプローチは非効率であり、人間の想像力が知覚できる候補によって厳しく制約されている。 文法指向の変分オートエンコーダ(VAE)とガウス過程回帰(GPR)モデルを用いて、3つの極端な条件下で頑健なポリマーを発見する。
  論文  参考訳（メタデータ） (2020-11-04T21:36:59Z)
• Inverse Design of Potential Singlet Fission Molecules using a Transfer Learning Based Approach [0.0]
  我々は、伝達学習に基づくアプローチを用いて、可能な一重項核分裂分子の逆設計を推し進めた。 我々は、構造的に類似した分子のより大きなChEMBLデータセットを使用して、学習した特性を単一核分裂データセットに転送する。
  論文  参考訳（メタデータ） (2020-03-17T12:37:54Z)

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。