論文の概要: FIRE-GNN: Force-informed, Relaxed Equivariance Graph Neural Network for Rapid and Accurate Prediction of Surface Properties

• arxiv url: http://arxiv.org/abs/2508.16012v1
• Date: Fri, 22 Aug 2025 00:07:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.209496
• Title: FIRE-GNN: Force-informed, Relaxed Equivariance Graph Neural Network for Rapid and Accurate Prediction of Surface Properties
• Title（参考訳）: FIRE-GNN:表面特性の迅速かつ正確な予測のための力インフォームド・緩和等分散グラフニューラルネットワーク
• Authors: Circe Hsu, Claire Schlesinger, Karan Mudaliar, Jordan Leung, Robin Walters, Peter Schindler,
• Abstract要約: 本稿では,表面標準対称性の破れと機械学習の原子間ポテンシャル(MLIP)に基づく力情報を統合するFIRE-GNNを紹介する。 従来の作業関数予測よりも平均絶対誤差(0.065 eVまで)が2倍減少する。 このモデルにより、作業関数の正確かつ迅速な予測と、広大な化学空間におけるエネルギーの切断が可能となる。
• 参考スコア（独自算出の注目度）: 8.537263229630897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The work function and cleavage energy of a surface are critical properties that determine the viability of materials in electronic emission applications, semiconductor devices, and heterogeneous catalysis. While first principles calculations are accurate in predicting these properties, their computational expense combined with the vast search space of surfaces make a comprehensive screening approach with density functional theory (DFT) infeasible. Here, we introduce FIRE-GNN (Force-Informed, Relaxed Equivariance Graph Neural Network), which integrates surface-normal symmetry breaking and machine learning interatomic potential (MLIP)-derived force information, achieving a twofold reduction in mean absolute error (down to 0.065 eV) over the previous state-of-the-art for work function prediction. We additionally benchmark recent invariant and equivariant architectures, analyze the impact of symmetry breaking, and evaluate out-of-distribution generalization, demonstrating that FIRE-GNN consistently outperforms competing models for work function predictions. This model enables accurate and rapid predictions of the work function and cleavage energy across a vast chemical space and facilitates the discovery of materials with tuned surface properties
• Abstract（参考訳）: 表面の作業関数と開裂エネルギーは、電子放出応用、半導体デバイス、不均一触媒における材料の生存可能性を決定する重要な性質である。 第一原理計算はこれらの特性を予測するのに正確であるが、その計算費用と表面の広大な探索空間が組み合わさって、密度汎関数理論(DFT)による包括的スクリーニングアプローチが実現不可能である。 本稿では、表面正規対称性の破れと機械学習の原子間ポテンシャル(MLIP)から得られる力情報を統合したFIRE-GNN(Force-Informed, Relaxed Equivariance Graph Neural Network)を導入する。 さらに、最近の不変および同変アーキテクチャをベンチマークし、対称性の破れの影響を分析し、分布外一般化を評価し、FIRE-GNNがワーク関数予測の競合モデルより一貫して優れていることを示す。 このモデルにより、広大な化学空間を横断する作業関数と開裂エネルギーの正確かつ迅速な予測が可能となり、調整された表面特性を持つ物質の発見が容易となる。

関連論文リスト

• Path-integral molecular dynamics with actively-trained and universal machine learning force fields [0.0]
  核量子効果(NQEs)の会計は、有限温度での材料特性を著しく変化させることができる。 マシンが学習する原子間ポテンシャルは、この課題に対する解決策を提供する。 インタフェースは、MLIP-2ソフトウェアパッケージからのモーメントテンソルポテンシャル(MTP)をPIMD計算に統合するために開発された。 その結果、実験データ、準調和近似計算、および汎用機械学習力場MatterSimからの予測と比較した。
  論文  参考訳（メタデータ） (2025-05-20T11:55:22Z)
• Learning Smooth and Expressive Interatomic Potentials for Physical Property Prediction [3.3974034548879213]
  本稿では,分子動力学シミュレーションにおけるエネルギー保存の実践的能力に基づいて,機械学習の原子間ポテンシャルをテストすることを提案する。 我々は、このテストに失敗したモデルにつながる可能性のある選択を特定し、これらの観察を使用して高表現率モデルを改善する。 結果のモデルであるeSENは、様々な物理的特性予測タスクに関する最先端の結果を提供する。
  論文  参考訳（メタデータ） (2025-02-17T18:57:32Z)
• DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [60.58067866537143]
  本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。 経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
  ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。 本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-08T21:56:19Z)
• On the importance of catalyst-adsorbate 3D interactions for relaxed energy predictions [98.70797778496366]
  吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。 結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
  論文  参考訳（メタデータ） (2023-10-10T14:57:04Z)
• Transport Equation based Physics Informed Neural Network to predict the Yield Strength of Architected Materials [0.0]
  PINNモデルは、提供されたデータセットの過度な適合を避ける能力を示す、例外的な一般化能力を示す。 この研究は、特定の実世界のアプリケーションに対してアクティベーション関数を選択しながら、性能と計算効率のバランスを打つことの重要性を強調している。
  論文  参考訳（メタデータ） (2023-07-29T12:42:03Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)

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。