論文の概要: Accelerating High-Throughput Catalyst Screening by Direct Generation of Equilibrium Adsorption Structures

• arxiv url: http://arxiv.org/abs/2512.15228v1
• Date: Wed, 17 Dec 2025 09:26:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.917583
• Title: Accelerating High-Throughput Catalyst Screening by Direct Generation of Equilibrium Adsorption Structures
• Title（参考訳）: 平衡吸着構造の直接生成による高速高速触媒スクリーニング
• Authors: Songze Huo, Xiao-Ming Cao,
• Abstract要約: 我々は,周期的ブラウン橋の枠組みを同変グラフニューラルネットワークと統合し,非緩和構造とDFT緩和構造の間の低次元遷移多様体を構築する深部生成モデルDBCataを提案する。 トレーニング中、DBCataはCatalysis-Hubデータセット上で0.035テキストの高忠実で原子間距離の平均絶対誤差(DMAE)を効果的に生成する。 対応するDFT精度は、異常予測を特定して精錬することにより、インスタンスの94%において0.1 eV以内で改善することができる。
• 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: The adsorption energy serves as a crucial descriptor for the large-scale screening of catalysts. Nevertheless, the limited distribution of training data for the extensively utilised machine learning interatomic potential (MLIP), predominantly sourced from near-equilibrium structures, results in unreliable adsorption structures and consequent adsorption energy predictions. In this context, we present DBCata, a deep generative model that integrates a periodic Brownian-bridge framework with an equivariant graph neural network to establish a low-dimensional transition manifold between unrelaxed and DFT-relaxed structures, without requiring explicit energy or force information. Upon training, DBCata effectively generates high-fidelity adsorption geometries, achieving an interatomic distance mean absolute error (DMAE) of 0.035 \textÅ on the Catalysis-Hub dataset, which is nearly three times superior to that of the current state-of-the-art machine learning potential models. Moreover, the corresponding DFT accuracy can be improved within 0.1 eV in 94\% of instances by identifying and refining anomalous predictions through a hybrid chemical-heuristic and self-supervised outlier detection approach. We demonstrate that the remarkable performance of DBCata facilitates accelerated high-throughput computational screening for efficient alloy catalysts in the oxygen reduction reaction, highlighting the potential of DBCata as a powerful tool for catalyst design and optimisation.
• Abstract（参考訳）: 吸着エネルギーは触媒の大規模スクリーニングにおいて重要な記述子となる。 それにもかかわらず、広く利用される機械学習原子間ポテンシャル(MLIP)のトレーニングデータの限られた分布は、主にほぼ平衡構造から導かれるものであり、信頼性の低い吸着構造とそれに伴う吸着エネルギーの予測をもたらす。 この文脈では,周期的ブラウン橋の枠組みを同変グラフニューラルネットワークと統合し,非緩和構造とDFT緩和構造の間の低次元遷移多様体を明示的なエネルギーや力情報を必要とすることなく構築する深部生成モデルDBCataを提案する。 トレーニング時にDBCataは、現在の最先端機械学習ポテンシャルモデルの3倍近いCatalysis-Hubデータセット上で、原子間距離平均絶対誤差(DMAE)0.035の高忠実吸着ジオメトリを効果的に生成する。 さらに, ケミカル・ヒューリスティック・自己監督型異常検出手法を用いて異常予測を同定し, 精製することにより, インスタンスの0.1eV以内で対応するDFT精度を向上させることができる。 我々は,DBCataの優れた性能が,酸素還元反応における効率的な合金触媒の高速な高速計算スクリーニングを促進することを示し,DBCataの触媒設計と最適化の強力なツールとしての可能性を強調した。

関連論文リスト

• Accurate, transferable, and verifiable machine-learned interatomic potentials for layered materials [0.0]
  ツイストされた層状バンダーワールス材料は、しばしば、非ツイストの材料に欠如しているユニークな電子的および光学的特性を示す。 本稿では、層内相互作用と層間相互作用を分離する、マシン学習型原子間ポテンシャルとデータセットキュレーション手法を提案する。 本手法は,様々な層内相互作用モデルや層間相互作用モデルとシームレスに統合し,モワール材料の計算的緩和を可能にする。
  論文  参考訳（メタデータ） (2025-03-19T17:14:02Z)
• Inorganic Catalyst Efficiency Prediction Based on EAPCR Model: A Deep Learning Solution for Multi-Source Heterogeneous Data [9.022023762759641]
  本研究では,Embedding-Attention-Permutated CNN-Residual (EAPCR)ディープラーニングモデルを提案する。 EAPCRは埋め込みと注意機構を用いて特徴関連行列を構築し、予測性能を向上させる。 我々は、不均一光触媒、熱、電気触媒のデータセット上でEAPCRを評価する。
  論文  参考訳（メタデータ） (2025-03-10T15:10:22Z)
• Adsorb-Agent: Autonomous Identification of Stable Adsorption Configurations via Large Language Model Agent [5.417632175667162]
  Adsorb-Agentは、安定な吸着剤触媒構成を効率的に識別するために設計されたLarge Language Model (LLM)エージェントである。 20の多様なシステムでテストされ、Adsorb-Agentは84%のケースで同等の吸着触媒エネルギーを同定し、35%で低いエネルギーを達成する。
  論文  参考訳（メタデータ） (2024-10-22T03:19:16Z)
• Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
  DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。 特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
  論文  参考訳（メタデータ） (2024-09-23T17:11:04Z)
• Manifold-Constrained Nucleus-Level Denoising Diffusion Model for Structure-Based Drug Design [81.95343363178662]
  原子は分離違反を避けるために 最小の対距離を維持する必要がある NucleusDiff は原子核と周囲の電子雲の間の相互作用を距離制約によってモデル化する。 違反率は1000%まで減少し、結合親和性は22.16%まで向上し、構造に基づく薬物設計の最先端モデルを上回る。
  論文  参考訳（メタデータ） (2024-09-16T08:42:46Z)
• Adaptive Catalyst Discovery Using Multicriteria Bayesian Optimization with Representation Learning [17.00084254889438]
  高性能触媒は、持続可能なエネルギー変換と人間の健康に不可欠である。 触媒の発見は、巨大で高次元の構造と合成空間をナビゲートするための効率的なアプローチがないため、課題に直面している。
  論文  参考訳（メタデータ） (2024-04-18T18:11:06Z)
• 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)
• 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)
• 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)
• 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)

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。