論文の概要: A physics-based data-driven model for CO$_2$ gas diffusion electrodes to drive automated laboratories
- arxiv url: http://arxiv.org/abs/2502.06323v1
- Date: Mon, 10 Feb 2025 10:20:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-11 18:57:51.070797
- Title: A physics-based data-driven model for CO$_2$ gas diffusion electrodes to drive automated laboratories
- Title（参考訳）: 自動実験室を駆動するCO$2$ガス拡散電極の物理モデル
- Authors: Ivan Grega, Félix Therrien, Abhishek Soni, Karry Ocean, Kevan Dettelbach, Ribwar Ahmadi, Mehrdad Mokhtari, Curtis P. Berlinguette, Yoshua Bengio,
- Abstract要約: 再生可能エネルギーを含む高エネルギー分子へのCO$$の電気化学的還元は、エネルギー貯蔵にとって有望な道である。
本稿では,GDE設計の高次元パラメータ空間をアクティブな学習コンテキストで効率的に探索するモデリングフレームワークを提案する。
我々は,AdaCarbon自動実験室が収集した実際の電気化学データを用いて,シミュレーションされた能動学習装置にモデルをデプロイする。
- 参考スコア（独自算出の注目度）: 34.82692226532414
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The electrochemical reduction of atmospheric CO$_2$ into high-energy molecules with renewable energy is a promising avenue for energy storage that can take advantage of existing infrastructure especially in areas where sustainable alternatives to fossil fuels do not exist. Automated laboratories are currently being developed and used to optimize the composition and operating conditions of gas diffusion electrodes (GDEs), the device in which this reaction takes place. Improving the efficiency of GDEs is crucial for this technology to become viable. Here we present a modeling framework to efficiently explore the high-dimensional parameter space of GDE designs in an active learning context. At the core of the framework is an uncertainty-aware physics model calibrated with experimental data. The model has the flexibility to capture various input parameter spaces and any carbon products which can be modeled with Tafel kinetics. It is interpretable, and a Gaussian process layer can capture deviations of real data from the function space of the physical model itself. We deploy the model in a simulated active learning setup with real electrochemical data gathered by the AdaCarbon automated laboratory and show that it can be used to efficiently traverse the multi-dimensional parameter space.
- Abstract（参考訳）: 再生可能エネルギーを持つ高エネルギー分子へのCO$2$の電気化学的還元は、特に化石燃料の持続可能な代替品が存在しない地域では、既存のインフラを活用できるエネルギー貯蔵のための有望な道である。
現在、この反応が起こる装置であるガス拡散電極(GDE)の構成と運転条件を最適化するために、自動実験室が開発され、使用されている。
GDEの効率性の向上は、この技術の実現に不可欠である。
本稿では,GDE設計の高次元パラメータ空間をアクティブな学習コンテキストで効率的に探索するモデリングフレームワークを提案する。
フレームワークの中核は、実験データで校正された不確実性を考慮した物理モデルである。
このモデルには、様々な入力パラメータ空間と、タフェル運動学でモデル化できる炭素生成物をキャプチャする柔軟性がある。
解釈可能であり、ガウス過程層は物理モデル自体の関数空間から実際のデータの偏差を捉えることができる。
我々は,AdaCarbon自動実験室が収集した実際の電気化学データを用いて,シミュレーションされた能動学習装置にモデルを展開し,多次元パラメータ空間を効率的にトラバースすることができることを示す。
関連論文リスト
- From expNN to sinNN: automatic generation of sum-of-products models for potential energy surfaces in internal coordinates using neural networks and sparse grid sampling [0.0]
本研究の目的は,積の和形におけるポテンシャルエネルギー面を表す正弦波活性化関数を持つ単一層人工ニューラルネットワークの実現性を評価することである。
sinNNという名前のフィッティングアプローチはHONOのPSSをモデル化し、トランス異性体とシス異性体の両方をカバーする。
sinNN PESモデルは、利用可能な基本振動遷移エネルギーを17cm-1の根平均二乗誤差で再現することができた。
論文 参考訳（メタデータ） (2025-04-30T07:31:32Z) - Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。
このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。
本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
論文 参考訳（メタデータ） (2025-03-14T02:58:24Z) - Diff-PIC: Revolutionizing Particle-In-Cell Nuclear Fusion Simulation with Diffusion Models [38.46100610494588]
核融合は究極的な解決策と見なされ、ほぼ1世紀にわたって集中的な研究の焦点となっている。
慣性凝縮核融合の最近の進歩は核融合研究に大きな注目を集めている。
レーザー-プラズマ相互作用は核融合安定性と効率を確保するために重要である。
論文 参考訳（メタデータ） (2024-08-03T19:42:31Z) - FaIRGP: A Bayesian Energy Balance Model for Surface Temperatures
Emulation [13.745581787463962]
本稿では,エネルギー収支モデルの物理温度応答方程式を満たすデータ駆動エミュレータであるFaIRGPを紹介する。
本稿では,FaIRGPを用いて大気上層放射力の推定値を得る方法について述べる。
この研究が、気候エミュレーションにおけるデータ駆動手法の採用の拡大に寄与することを期待している。
論文 参考訳（メタデータ） (2023-07-14T08:43:36Z) - Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。
我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
論文 参考訳（メタデータ） (2022-06-13T03:41:31Z) - $\mathcal{F}$-EBM: Energy Based Learning of Functional Data [1.0896567381206714]
エネルギーベースモデル (EBMs) は有限次元空間上の密度をモデル化するための非常に効果的なアプローチであることが証明されている。
有限個の点で評価された関数サンプルから関数の分布を学習できる新しいEMMのクラスを提案する。
論文 参考訳（メタデータ） (2022-02-04T01:01:50Z) - 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) - 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) - Multitask machine learning of collective variables for enhanced sampling
of rare events [9.632096602077919]
データ駆動の機械学習アルゴリズムは、ニューラルネットワークで集合変数を学習するために考案される。
その結果生じる潜在空間は、効果的な低次元表現であることが示される。
このアプローチは5d m"uller brownモデル、5d 3-wellモデル、および真空中のアラニンジペプチドを含むモデルシステムにうまく適用できる。
論文 参考訳（メタデータ） (2020-12-07T18:40:18Z) - Learning Discrete Energy-based Models via Auxiliary-variable Local
Exploration [130.89746032163106]
離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。
エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。
本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
論文 参考訳（メタデータ） (2020-11-10T19:31:29Z)
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。