論文の概要: Artificial Intelligence-Enabled Holistic Design of Catalysts Tailored for Semiconducting Carbon Nanotube Growth

• arxiv url: http://arxiv.org/abs/2512.16151v1
• Date: Thu, 18 Dec 2025 04:14:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.910182
• Title: Artificial Intelligence-Enabled Holistic Design of Catalysts Tailored for Semiconducting Carbon Nanotube Growth
• Title（参考訳）: 半導体カーボンナノチューブ成長用触媒の人工知能によるホロスティック設計
• Authors: Liu Qian, Yue Li, Ying Xie, Jian Zhang, Pai Li, Yue Yu, Zhe Liu, Feng Ding, Jin Zhang,
• Abstract要約: 半導体CNT合成のための従来の触媒設計に機械学習を統合した総合的なフレームワークを提案する。 触媒を介する電子注入による選択的半導体CNT合成法を提案する。 高スループット実験では、半導体選択率が91%を超え、FeTiO3触媒が98.6%に達すると予測された。
• 参考スコア（独自算出の注目度）: 19.730114678461955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Catalyst design is crucial for materials synthesis, especially for complex reaction networks. Strategies like collaborative catalytic systems and multifunctional catalysts are effective but face challenges at the nanoscale. Carbon nanotube synthesis contains complicated nanoscale catalytic reactions, thus achieving high-density, high-quality semiconducting CNTs demands innovative catalyst design. In this work, we present a holistic framework integrating machine learning into traditional catalyst design for semiconducting CNT synthesis. It combines knowledge-based insights with data-driven techniques. Three key components, including open-access electronic structure databases for precise physicochemical descriptors, pre-trained natural language processing-based embedding model for higher-level abstractions, and physical - driven predictive models based on experiment data, are utilized. Through this framework, a new method for selective semiconducting CNT synthesis via catalyst - mediated electron injection, tuned by light during growth, is proposed. 54 candidate catalysts are screened, and three with high potential are identified. High-throughput experiments validate the predictions, with semiconducting selectivity exceeding 91% and the FeTiO3 catalyst reaching 98.6%. This approach not only addresses semiconducting CNT synthesis but also offers a generalizable methodology for global catalyst design and nanomaterials synthesis, advancing materials science in precise control.
• Abstract（参考訳）: 触媒設計は物質合成、特に複雑な反応ネットワークにおいて重要である。 協調触媒系や多官能触媒のような戦略は効果的であるが、ナノスケールでは課題に直面している。 カーボンナノチューブ合成は複雑なナノスケール触媒反応を含むため、高密度で高品質な半導体CNTを実現するには革新的な触媒設計が必要である。 本研究では,半導体CNT合成のための従来の触媒設計に機械学習を統合した総合的なフレームワークを提案する。 知識に基づく洞察とデータ駆動技術を組み合わせる。 正確な物理化学記述子のためのオープンアクセス電子構造データベース、高レベルの抽象化のための事前訓練された自然言語処理ベースの埋め込みモデル、実験データに基づく物理駆動予測モデルを含む3つの重要なコンポーネントを利用する。 この枠組みを通じて、成長中に光によって調整された触媒による電子注入による選択的半導体CNT合成法を提案する。 54の候補触媒がスクリーニングされ、高いポテンシャルを持つ3つの触媒が同定される。 高スループット実験により予測が検証され、半導電性の選択率は91%を超え、FeTiO3触媒は98.6%に達した。 このアプローチは、半導体CNT合成だけでなく、地球規模の触媒設計とナノマテリアル合成のための一般化可能な方法論を提供し、材料科学を精密に制御する。

関連論文リスト

• Catalyst GFlowNet for electrocatalyst design: A hydrogen evolution reaction case study [73.49945279707323]
  電気触媒は水素エネルギー貯蔵(HES)において重要な役割を担い、エネルギーを水素として貯蔵する。 本稿では, 効率的な触媒として機能する結晶表面を設計するために, 生成とエネルギーの機械学習に基づく予測モデルであるCatalyst GFlowNetを紹介する。 我々は,HESにおける重要な反応である水素進化反応への概念実証の適用を通じて,プラチナを最も効率的な触媒として同定し,モデルの性能を実証した。
  論文  参考訳（メタデータ） (2025-10-02T15:49:39Z)
• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• Generative Language Model for Catalyst Discovery [0.0]
  化学空間から無機触媒構造の文字列表現を生成するために訓練されたCatalyst Generative Pretrained Transformer (CatGPT)を導入する。 CatGPTは有効かつ正確な触媒構造を生成する上で高い性能を示すだけでなく、所望の触媒の種類を生成するための基礎モデルとしても機能する。
  論文  参考訳（メタデータ） (2024-07-19T05:34:08Z)
• A Machine Learning and Explainable AI Framework Tailored for Unbalanced Experimental Catalyst Discovery [10.92613600218535]
  各種成分の触媒収率を正確に分類するために,堅牢な機械学習と説明可能なAI(XAI)フレームワークを導入する。 このフレームワークは、触媒データの不足と不均衡を処理するために設計された一連のMLプラクティスを組み合わせる。 このような知見は, 新規触媒の開発・同定において, 優れた性能を有する化学者を支援することができると信じている。
  論文  参考訳（メタデータ） (2024-07-10T13:09:53Z)
• ChemReasoner: Heuristic Search over a Large Language Model's Knowledge Space using Quantum-Chemical Feedback [37.06094829713273]
  新しい触媒の発見は、新しいより効率的な化学プロセスの設計に不可欠である。 量子化学に基づく3次元原子論表現からのフィードバックで言語推論を統一するAI誘導型計算スクリーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-15T21:33:07Z)
• Catalysis distillation neural network for the few shot open catalyst challenge [1.1878820609988694]
  本稿では,機械学習の反応予測への応用を推し進めるコンペであるFew-Shot Open Catalyst Challenge 2023を紹介する。 触媒蒸留グラフニューラルネットワーク(CDGNN)というフレームワークを用いた機械学習手法を提案する。 その結果,CDGNNは触媒構造からの埋め込みを効果的に学習し,構造吸着関係の捕捉を可能にした。
  論文  参考訳（メタデータ） (2023-05-31T04:23:56Z)
• PhAST: Physics-Aware, Scalable, and Task-specific GNNs for Accelerated Catalyst Design [102.9593507372373]
  触媒材料は産業プロセスに関わる電気化学反応において重要な役割を担っている。 機械学習は、大量のデータから材料特性を効率的にモデル化する可能性を秘めている。 本稿では,ほとんどのアーキテクチャに適用可能なタスク固有のイノベーションを提案し,計算効率と精度の両立を図っている。
  論文  参考訳（メタデータ） (2022-11-22T05:24:30Z)
• Machine-Learning-Optimized Perovskite Nanoplatelet Synthesis [55.41644538483948]
  総合成量200のCsPbBr3ナノプレート(NPL)の品質向上のためのアルゴリズムを開発した。 このアルゴリズムは、前駆率に基づいて、NPL分散のPL放出最大値を予測することができる。
  論文  参考訳（メタデータ） (2022-10-18T11:54:11Z)
• 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。