論文の概要: High-Throughput Computational Screening and Interpretable Machine Learning of Metal-organic Frameworks for Iodine Capture

• arxiv url: http://arxiv.org/abs/2502.15764v1
• Date: Fri, 14 Feb 2025 16:22:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 02:51:35.897537
• Title: High-Throughput Computational Screening and Interpretable Machine Learning of Metal-organic Frameworks for Iodine Capture
• Title（参考訳）: ヨウ素捕獲のための金属-有機系の高速計算スクリーニングと解釈型機械学習
• Authors: Haoyi Tan, Yukun Teng, Guangcun Shan,
• Abstract要約: 湿潤環境下での放射性ヨウ素同位体の流出除去は, 核廃棄物処理や原子力事故の軽減において重要な役割を担っている。 本研究では, 高スループットの計算スクリーニングと機械学習を組み合わせることで, 湿潤空気環境下での1816の金属-有機フレームワーク(MOF)材料のヨウ素捕捉性能を明らかにした。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The removal of leaked radioactive iodine isotopes in humid environments holds significant importance in nuclear waste management and nuclear accident mitigation. In this study, high-throughput computational screening and machine learning were combined to reveal the iodine capture performance of 1816 metal-organic framework (MOF) materials under humid air conditions. Firstly, the relationship between the structural characteristics of MOFs and their adsorption properties was explored, with the aim of identifying the optimal structural parameters for iodine capture. Subsequently, two machine learning regression algorithms - Random Forest and CatBoost, were employed to predict the iodine adsorption capabilities of MOFs. In addition to 6 structural features, 25 molecular features and 8 chemical features were incorporated to enhance the prediction accuracy of the machine learning algorithms. Feature importance was assessed to determine the relative influence of various features on iodine adsorption performance, in which the Henry's coefficient and heat of adsorption to iodine were found the two most crucial chemical factors. Furthermore, four types of molecular fingerprints were introduced for providing comprehensive and detailed structural information of MOF materials. The top 20 most significant MACCS molecular fingerprints were picked out, revealing that the presence of six-membered ring structures and nitrogen atoms in the MOFs were the key structural factors that enhanced iodine adsorption, followed by the existence of oxygen atoms. This work combined high-throughput computation, machine learning, and molecular fingerprints to comprehensively elucidate the multifaceted factors influencing the iodine adsorption performance of MOFs, offering profound insightful guidelines for screening and structural design of advanced MOF materials.
• Abstract（参考訳）: 湿潤環境下での放射性ヨウ素同位体の流出除去は, 核廃棄物処理や原子力事故の軽減において重要な役割を担っている。 本研究では, 湿潤空気環境下での1816の金属-有機フレームワーク(MOF)材料のヨウ素捕捉性能を明らかにするために, 高速な計算スクリーニングと機械学習を組み合わせた。 まず,MOFの構造特性と吸着特性との関係を検討した。 その後、MOFのヨウ素吸着能を予測するために、ランダムフォレストとキャットブーストという2つの機械学習回帰アルゴリズムが採用された。 6つの構造的特徴に加えて、25の分子的特徴と8つの化学的特徴が組み込まれ、機械学習アルゴリズムの予測精度が向上した。 各種成分のヨウ素吸着性能に対する相対的影響を評価した結果, ヨウ素に対するヘンリー係数と吸着熱が2つの重要な化学的要因であることがわかった。 さらに、MOF材料の包括的かつ詳細な構造情報を提供するために、4種類の分子指紋が導入された。 MACCS分子指紋のトップ20が抽出され、MOFの6員環構造と窒素原子の存在がヨウ素の吸着を促進する重要な構造因子であり、続いて酸素原子の存在が明らかになった。 この研究は、高スループット計算、機械学習、分子指紋を組み合わせることで、MOFのヨウ素吸着性能に影響を与える多面的因子を包括的に解明し、高度なMOF材料のスクリーニングと構造設計のための深い洞察的なガイドラインを提供する。

関連論文リスト

• Molecular Identification via Molecular Fingerprint extraction from Atomic Force Microscopy images [0.0]
  深層学習モデルは、一定の高さのHR-AFM画像の3Dスタックに符号化された化学情報や構造情報を検索することができる。 本研究では, トポロジカルフィンガーによる分子構造記述の確立により, それらの限界を克服する。 指紋による仮想検診を他のDLモデルによって提供されるグローバルな情報で補完することは可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T13:47:35Z)
• AdaMR: Adaptable Molecular Representation for Unified Pre-training Strategy [11.710702202071573]
  分子調節性表現(AdaMR)と呼ばれる,小分子薬物の大規模均一事前学習戦略を提案する。 AdaMRは、分子正準化と呼ばれる事前訓練ジョブによって達成される粒度調整可能な分子エンコーディング戦略を利用する。 6つの分子特性予測タスクと2つの生成タスクに関する事前学習モデルを微調整し、8つのタスクのうち5つについてSOTA(State-of-the-art)の結果を得た。
  論文  参考訳（メタデータ） (2023-12-28T10:53:17Z)
• Spectroscopy-Guided Discovery of Three-Dimensional Structures of Disordered Materials with Diffusion Models [6.97950396242977]
  対象物から乱れた材料の3次元構造を予測するための拡散モデルに基づく新しいフレームワークを提案する。 我々のモデルは、特定のXANESスペクトルの原子配列を調整するための生成過程を制御できることを示します。 本研究は, 材料評価と原子構造決定のギャップを埋める上で, 重要な歩みを示している。
  論文  参考訳（メタデータ） (2023-12-09T05:40:10Z)
• Beyond Chemical Language: A Multimodal Approach to Enhance Molecular Property Prediction [2.1202329976106924]
  本稿では,化学言語表現と物理化学的特徴を組み合わせた分子特性予測のための新しい多モーダル言語モデルを提案する。 提案手法であるMultiMODAL-MOLFORMERは,特定の標的特性に対する直接因果効果に基づいて物理化学的特徴を同定する因果多段階特徴選択法を用いている。 ケミカル言語ベースのMOLFORMERやグラフニューラルネットワークなど,既存の最先端アルゴリズムと比較して,優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-22T13:28:59Z)
• A generative artificial intelligence framework based on a molecular diffusion model for the design of metal-organic frameworks for carbon capture [3.7693836475281297]
  GHP-MOFassembleは、CO2容量と合成可能なリンカーを備えたMOFの合理的かつ迅速な設計のための生成人工知能フレームワークである。 GHP-MOFassembleは、一意性、合成可能性、構造的妥当性のためにAI生成のMOFをスクリーンし、検証する。 仮説MOFデータセットの96.9%以上の2$m mol/g$以上のCO2容量を持つAI生成MOFの上位6つを提示する。
  論文  参考訳（メタデータ） (2023-06-14T18:32:26Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Building Open Knowledge Graph for Metal-Organic Frameworks (MOF-KG): Challenges and Case Studies [63.61566811532431]
  金属有機フレームワーク(MOF)は、ガス貯蔵、分子分離、化学センシング、結晶および薬物のデリバリーといった応用に革命をもたらす大きな可能性を持っている。 ケンブリッジ構造データベース(CSD)は10,636個のMOF結晶を報告しており、これには114,373個のMOF構造が含まれる。 本稿では,MOF予測,発見,合成を容易にする知識グラフ手法の活用に向けた取り組みについて述べる。
  論文  参考訳（メタデータ） (2022-07-10T16:41:11Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• 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)
• 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。