論文の概要: COFAP: A Universal Framework for COFs Adsorption Prediction through Designed Multi-Modal Extraction and Cross-Modal Synergy

• arxiv url: http://arxiv.org/abs/2511.01946v1
• Date: Mon, 03 Nov 2025 10:11:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.606335
• Title: COFAP: A Universal Framework for COFs Adsorption Prediction through Designed Multi-Modal Extraction and Cross-Modal Synergy
• Title（参考訳）: COFAP: 設計したマルチモーダル抽出とクロスモーダルシナジーによるCOFs吸着予測のためのユニバーサルフレームワーク
• Authors: Zihan Li, Mingyang Wan, Mingyu Gao, Zhongshan Chen, Xiangke Wang, Feifan Zhang,
• Abstract要約: 共有有機フレームワーク(COF)は、ガス吸着と分離のための吸着剤である。 深層学習によるマルチモーダル構造および化学的特徴の抽出が可能なCOFs吸着予測フレームワーク(COFAP)を提案する。 重み調整可能な優先順位付け方式も開発され、研究者の候補COFのフレキシブルでアプリケーション固有のランク付けが可能となった。
• 参考スコア（独自算出の注目度）: 15.886563559077507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Covalent organic frameworks (COFs) are promising adsorbents for gas adsorption and separation, while identifying the optimal structures among their vast design space requires efficient high-throughput screening. Conventional machine-learning predictors rely heavily on specific gas-related features. However, these features are time-consuming and limit scalability, leading to inefficiency and labor-intensive processes. Herein, a universal COFs adsorption prediction framework (COFAP) is proposed, which can extract multi-modal structural and chemical features through deep learning, and fuse these complementary features via cross-modal attention mechanism. Without Henry coefficients or adsorption heat, COFAP sets a new SOTA by outperforming previous approaches on hypoCOFs dataset. Based on COFAP, we also found that high-performing COFs for separation concentrate within a narrow range of pore size and surface area. A weight-adjustable prioritization scheme is also developed to enable flexible, application-specific ranking of candidate COFs for researchers. Superior efficiency and accuracy render COFAP directly deployable in crystalline porous materials.
• Abstract（参考訳）: 共有有機フレームワーク(COF)は、ガス吸着と分離のための吸着剤を約束する一方で、その広大な設計空間における最適な構造を特定するには、効率的な高スループットスクリーニングが必要である。 従来の機械学習予測器は、特定のガス関連の特徴に大きく依存している。 しかしながら、これらの機能は時間がかかりスケーラビリティが制限されるため、非効率性と労働集約的なプロセスにつながる。 本稿では,COFs吸着予測フレームワーク(COFAP)を提案し,深層学習により多モード構造および化学的特徴を抽出し,それらの相補的特徴をクロスモーダルアテンション機構を介して融合させる。 ヘンリー係数や吸着熱がなければ、COFAPは偽COFsデータセットに対する以前のアプローチよりも優れたパフォーマンスで新しいSOTAを設定できる。 また,COFAPに基づいて,細孔径と表面積の狭い範囲に,分離用高効率COFが集中していることが判明した。 重み調整可能な優先順位付け方式も開発され、研究者の候補COFのフレキシブルでアプリケーション固有のランク付けが可能となった。 結晶性多孔質材料に直接デプロイ可能なCOFAPを超効率および精度でレンダリングする。

関連論文リスト

• Monte Carlo Tree Diffusion with Multiple Experts for Protein Design [50.056670856059014]
  マスク付き拡散モデルと木探索を統合したMCTD-MEを提案する。 自己回帰型プランナーとは異なり、MCTD-MEはロールアウトエンジンとして生物物理学的な拡散デノナイジングを使用している。 このフレームワークはモデルに依存しず、デノボタンパク質工学や多目的分子生成を含む逆フォールディングを越えて適用できる。
  論文  参考訳（メタデータ） (2025-09-19T09:24:42Z)
• Generative Deep Learning Framework for Inverse Design of Fuels [0.0]
  燃料の高速な逆設計を可能にするために、生成的深層学習フレームワークが開発された。 GDB-13データベースのサブセットは、修正されたRONデータベースに富んだもので、モデルトレーニングに使用される。 次に、独立回帰モデルを用いてRON予測を洗練させ、VAE潜在空間を効率的にナビゲートする微分進化アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2025-04-16T13:32:25Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• C(NN)FD -- a deep learning framework for turbomachinery CFD analysis [0.0]
  本稿では, ガスタービンの軸圧縮機全体の性能に及ぼす製造・施工の変動の影響をリアルタイムに予測するための新しいディープラーニングフレームワークの開発について述べる。 関連した効率の散乱はCO2排出量を大幅に増加させ、工業的および環境的関連性が高い。 提案したC(NN)FDアーキテクチャはCFDベンチマークに匹敵するリアルタイムの精度を実現する。
  論文  参考訳（メタデータ） (2023-06-09T13:35:04Z)
• Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
  炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。 我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
  論文  参考訳（メタデータ） (2022-10-31T04:04:03Z)
• Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
  グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。 本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-15T13:52:15Z)

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。