論文の概要: Generating new coordination compounds via multireference simulations, genetic algorithms and machine learning: the case of Co(II) molecular magnets

• arxiv url: http://arxiv.org/abs/2504.13749v1
• Date: Fri, 18 Apr 2025 15:33:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-28 15:16:33.288609
• Title: Generating new coordination compounds via multireference simulations, genetic algorithms and machine learning: the case of Co(II) molecular magnets
• Title（参考訳）: マルチ参照シミュレーション、遺伝的アルゴリズム、機械学習による新規配位化合物の生成-Co(II)分子磁石の場合
• Authors: Lion Frangoulis, Zahra Khatibi, Lorenzo A. Mariano, Alessandro Lunghi,
• Abstract要約: 本稿では,電子・磁気特性が望ましい新しい配位化合物の発見を加速する計算戦略を提案する。 我々のアプローチは、高スループットab initio法、遺伝的アルゴリズム、機械学習の組み合わせに基づいている。 本研究は,Co(II) 単核配位化合物の磁気特性を実験およびブライト力アブイニシアト法で測定した時間に記録し, 自動生成することで, このアプローチの効率を実証するものである。
• 参考スコア（独自算出の注目度）: 41.94295877935867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The design of coordination compounds with target properties often requires years of continuous feedback loop between theory, simulations and experiments. In the case of magnetic molecules, this conventional strategy has indeed led to the breakthrough of single-molecule magnets with working temperatures above nitrogen's boiling point, but at significant costs in terms of resources and time. Here, we propose a computational strategy able to accelerate the discovery of new coordination compounds with desired electronic and magnetic properties. Our approach is based on a combination of high-throughput multireference ab initio methods, genetic algorithms and machine learning. While genetic algorithms allow for an intelligent sampling of the vast chemical space available, machine learning reduces the computational cost by pre-screening molecular properties in advance of their accurate and automated multireference ab initio characterization. Importantly, the presented framework is able to generate novel organic ligands and explore chemical motifs beyond those available in pre-existing structural databases. We showcase the power of this approach by automatically generating new Co(II) mononuclear coordination compounds with record magnetic properties in a fraction of the time required by either experiments or brute-force ab initio approaches
• Abstract（参考訳）: 目的とする性質を持つ配位化合物の設計には、理論、シミュレーション、実験の間の長年の継続的なフィードバックループが必要となることが多い。 磁性分子の場合、この従来の戦略は、窒素の沸点より温度が低い単一分子磁石の突破に繋がったが、資源と時間の面ではかなりのコストがかかる。 本稿では,電子・磁気特性が望ましい新しい配位化合物の発見を加速する計算戦略を提案する。 提案手法は,高スループットマルチ参照アブイニシアチブ法,遺伝的アルゴリズム,機械学習の組み合わせに基づく。 遺伝的アルゴリズムは、利用可能な広大な化学空間をインテリジェントにサンプリングすることを可能にするが、機械学習は、正確で自動化されたマルチ参照ab initioのキャラクタリゼーションに先立って、分子特性を事前にスクリーニングすることで計算コストを削減する。 重要なことは、提示されたフレームワークは、新しい有機配位子を生成し、既存の構造データベースで利用可能なもの以上の化学モチーフを探索することができることである。 我々は、実験またはブライト力ab initio法で要求される時間のごく一部で、記録磁気特性を持つ新しいCo(II)単核配位化合物を自動生成することで、このアプローチのパワーを実証する。

関連論文リスト

• Physics-informed active learning for accelerating quantum chemical simulations [10.56535364437456]
  本稿では,量子化学シミュレーションにおけるロバストなデータ効率ポテンシャル構築のためのエンドツーエンドALを提案する。 本プロトコルは,物理インフォームドによるトレーニングポイントのサンプリング,初期データの自動選択,不確実性定量化,収束モニタリングに基づく。 これらの調査は、高性能コンピューティングクラスタ上での純粋な量子化学計算ではなく、数週間を要した。
  論文  参考訳（メタデータ） (2024-04-18T00:17:01Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• HD-Bind: Encoding of Molecular Structure with Low Precision, Hyperdimensional Binary Representations [3.3934198248179026]
  超次元計算(HDC)は、低精度二進ベクトル算術を活用できる学習パラダイムである。 本稿では,HDCに基づく推論手法が,より複雑な機械学習手法よりも90倍効率が高いことを示す。
  論文  参考訳（メタデータ） (2023-03-27T21:21:46Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Discovery of structure-property relations for molecules via hypothesis-driven active learning over the chemical space [0.0]
  本稿では,仮説学習に基づく化学空間上の能動的学習のための新しいアプローチを提案する。 我々は,データサブセットの小さな部分集合に基づいて,関心の構造と機能の関係性に関する仮説を構築した。 このアプローチでは、SISSOやアクティブラーニングといったシンボリックレグレッションメソッドの要素をひとつのフレームワークに統合する。
  論文  参考訳（メタデータ） (2023-01-06T14:22:43Z)
• Transferring Chemical and Energetic Knowledge Between Molecular Systems with Machine Learning [5.27145343046974]
  本稿では,単純な分子システムから得られた知識をより複雑なものに伝達するための新しい手法を提案する。 我々は、高低自由エネルギー状態の分類に焦点をあてる。 以上の結果より, トリアラニンからデカアラニン系への移行学習において, 0.92 の顕著な AUC が得られた。
  論文  参考訳（メタデータ） (2022-05-06T16:21:00Z)
• Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
  分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。 これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
  論文  参考訳（メタデータ） (2021-07-01T01:02:17Z)
• Quantum-Classical Hybrid Algorithm for the Simulation of All-Electron Correlation [58.720142291102135]
  本稿では、分子の全電子エネルギーと古典的コンピュータ上の特性を計算できる新しいハイブリッド古典的アルゴリズムを提案する。 本稿では,現在利用可能な量子コンピュータ上で,化学的に関連性のある結果と精度を実現する量子古典ハイブリッドアルゴリズムの能力を実証する。
  論文  参考訳（メタデータ） (2021-06-22T18:00:00Z)
• ChemoVerse: Manifold traversal of latent spaces for novel molecule discovery [0.7742297876120561]
  所望の化学的性質を持つ分子構造を同定することが不可欠である。 ニューラルネットワークと機械学習を用いた生成モデルの最近の進歩は、薬物のような化合物の仮想ライブラリの設計に広く利用されている。
  論文  参考訳（メタデータ） (2020-09-29T12:11:40Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。