論文の概要: Transition States Energies from Machine Learning: An Application to Reverse Water-Gas Shift on Single-Atom Alloys

• arxiv url: http://arxiv.org/abs/2505.00574v1
• Date: Thu, 01 May 2025 15:01:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.34269
• Title: Transition States Energies from Machine Learning: An Application to Reverse Water-Gas Shift on Single-Atom Alloys
• Title（参考訳）: 機械学習からの遷移状態エネルギー:単原子合金の逆水-ガスシフトへの応用
• Authors: Raffaele Cheula, Mie Andersen,
• Abstract要約: ガウス過程の回帰に基づいて遷移状態(TS)のエネルギーを予測する機械学習(ML)モデルを提案する。 単原子合金触媒上での逆水-ガスシフト (RWGS) 反応のTSエネルギー予測モデルの適用により, 精度を著しく向上できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Obtaining accurate transition state (TS) energies is a bottleneck in computational screening of complex materials and reaction networks due to the high cost of TS search methods and first-principles methods such as density functional theory (DFT). Here we propose a machine learning (ML) model for predicting TS energies based on Gaussian process regression with the Wasserstein Weisfeiler-Lehman graph kernel (WWL-GPR). Applying the model to predict adsorption and TS energies for the reverse water-gas shift (RWGS) reaction on single-atom alloy (SAA) catalysts, we show that it can significantly improve the accuracy compared to traditional approaches based on scaling relations or ML models without a graph representation. Further benefitting from the low cost of model training, we train an ensemble of WWL-GPR models to obtain uncertainties through subsampling of the training data and show how these uncertainties propagate to turnover frequency (TOF) predictions through the construction of an ensemble of microkinetic models. Comparing the errors in model-based vs DFT-based TOF predictions, we show that the WWL-GPR model reduces errors by almost an order of magnitude compared to scaling relations. This demonstrates the critical impact of accurate energy predictions on catalytic activity estimation. Finally, we apply our model to screen new materials, identifying promising catalysts for RWGS. This work highlights the power of combining advanced ML techniques with DFT and microkinetic modeling for screening catalysts for complex reactions like RWGS, providing a robust framework for future catalyst design.
• Abstract（参考訳）: TS探索法や密度汎関数理論(DFT)などの第一原理手法のコストが高いため、複雑な材料や反応ネットワークの計算スクリーニングにおいて、正確な遷移状態(TS)の確保はボトルネックとなる。 本稿では,Wasserstein Weisfeiler-Lehmanグラフカーネル(WWL-GPR)を用いて,ガウス過程の回帰に基づいてTSエネルギーを予測する機械学習(ML)モデルを提案する。 単原子合金 (SAA) 触媒上での逆水-ガスシフト (RWGS) 反応に対する吸着およびTSエネルギーの予測モデルの適用により, グラフ表現のないスケーリング関係やMLモデルに基づく従来の手法と比較して, 精度を著しく向上できることを示した。 さらに,WWL-GPRモデルのアンサンブルをトレーニングし,トレーニングデータのサブサンプリングにより不確実性を得るとともに,マイクロキネティックモデルのアンサンブルを構築することで,これらの不確実性が転倒頻度(TOF)予測にどのように伝播するかを示す。 モデルベースとDFTベースのTOF予測の誤差を比較すると、WWL-GPRモデルはスケーリング関係と比較して誤差をほぼ1桁削減する。 このことは、正確なエネルギー予測が触媒活性推定に与える影響を示す。 最後に,RWGSに期待できる触媒を同定し,新しい材料をスクリーニングするために本モデルを適用した。 この研究は、RWGSのような複雑な反応のための触媒をスクリーニングするために、高度なML技術とDFTとマイクロ力学モデリングを組み合わせる力を強調し、将来の触媒設計のための堅牢なフレームワークを提供する。

関連論文リスト

• Enhancing the Scalability and Applicability of Kohn-Sham Hamiltonians for Molecular Systems [11.085215676429858]
  我々は、物理精度で密度汎関数理論計算のためのスケーラブルなモデルを作成する。 その結果, 総エネルギー予測誤差を1347倍, SCF計算速度を18%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-02-26T15:36:25Z)
• Learning on Transformers is Provable Low-Rank and Sparse: A One-layer Analysis [63.66763657191476]
  低ランク計算としての効率的な数値学習と推論アルゴリズムはトランスフォーマーに基づく適応学習に優れた性能を持つことを示す。 我々は、等級モデルが適応性を改善しながら一般化にどのように影響するかを分析する。 適切なマグニチュードベースのテストは,テストパフォーマンスに多少依存している,と結論付けています。
  論文  参考訳（メタデータ） (2024-06-24T23:00:58Z)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• 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)
• Clarifying Trust of Materials Property Predictions using Neural Networks with Distribution-Specific Uncertainty Quantification [16.36620228609086]
  不確実性(UQ)手法は、機械学習(ML)モデル予測の信頼性を推定することができる。 本稿では,Open Catalyst 2020データセットから合金上の分子のエネルギーを予測するために応用された様々なUQ法について検討する。 証拠レグレッションは、急速に競争力のあるUQ推定を得るための強力なアプローチであることが示されている。
  論文  参考訳（メタデータ） (2023-02-06T07:03:02Z)
• NeuralNEB -- Neural Networks can find Reaction Paths Fast [7.7365628406567675]
  密度汎関数理論 (DFT) のような量子力学的手法は、反応系の運動学を研究するための効率的な探索アルゴリズムと共に大きな成功を収めている。 機械学習(ML)モデルは、小さな分子DFT計算の優れたエミュレータであることが判明し、そのようなタスクでDFTを置き換える可能性がある。 本稿では、Transition1xデータセットから約10万の初等反応に基づいて、アート同変グラフニューラルネットワーク(GNN)に基づくモデルの状態を訓練する。
  論文  参考訳（メタデータ） (2022-07-20T15:29:45Z)
• Efficient Remote Photoplethysmography with Temporal Derivative Modules and Time-Shift Invariant Loss [6.381149074212898]
  遠隔心拍推定のための軽量ニューラルネットワークを提案する。 我々は,顔面光胸腺撮影の時間的学習に焦点をあてる。 既存モデルと比較して,本手法では,パラメータ数が大幅に少なく,計算コストが低く,競合精度が向上している。
  論文  参考訳（メタデータ） (2022-03-21T11:08:06Z)
• Machine learning models predict calculation outcomes with the transferability necessary for computational catalysis [0.4063872661554894]
  仮想高スループットスクリーニング(VHTS)と機械学習(ML)は単一部位遷移金属触媒の設計を大幅に加速させた。 本研究では, 触媒設計において, 形状最適化をリアルタイムで監視する畳み込みニューラルネットワークは, 優れた性能と伝達性を利用することができることを示す。 我々は、この優れたモデル転送可能性について、密度汎関数理論計算から生成されたオンザフライ電子構造と幾何情報を用いて合理化する。
  論文  参考訳（メタデータ） (2022-03-02T18:02:12Z)
• 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)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)

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。