論文の概要: A generative machine learning model for designing metal hydrides applied to hydrogen storage

• arxiv url: http://arxiv.org/abs/2601.20892v1
• Date: Wed, 28 Jan 2026 07:31:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.357476
• Title: A generative machine learning model for designing metal hydrides applied to hydrogen storage
• Title（参考訳）: 水素貯蔵に応用した水素化物設計のための生成機械学習モデル
• Authors: Xiyuan Liu, Christian Hacker, Shengnian Wang, Yuhua Duan,
• Abstract要約: この研究は因果発見と軽量な生成機械学習モデルを統合し、新規な水素化金属候補を生成する。 ランク付けとフィルタリングの後、6つの未報告の化学式と結晶構造が同定される。 全体として、提案するフレームワークは、水素貯蔵データセットを拡張し、材料発見を加速するためのスケーラブルで時間効率のよいアプローチを提供する。
• 参考スコア（独自算出の注目度）: 3.627663069764519
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Developing new metal hydrides is a critical step toward efficient hydrogen storage in carbon-neutral energy systems. However, existing materials databases, such as the Materials Project, contain a limited number of well-characterized hydrides, which constrains the discovery of optimal candidates. This work presents a framework that integrates causal discovery with a lightweight generative machine learning model to generate novel metal hydride candidates that may not exist in current databases. Using a dataset of 450 samples (270 training, 90 validation, and 90 testing), the model generates 1,000 candidates. After ranking and filtering, six previously unreported chemical formulas and crystal structures are identified, four of which are validated by density functional theory simulations and show strong potential for future experimental investigation. Overall, the proposed framework provides a scalable and time-efficient approach for expanding hydrogen storage datasets and accelerating materials discovery.
• Abstract（参考訳）: 新しい金属水素化物の開発は、炭素-中性エネルギー系における効率的な水素貯蔵への重要なステップである。 しかし、マテリアル・プロジェクトのような既存の材料データベースには、最適な候補の発見を制約する、十分な特性を持つ水素化物が限られている。 本研究は、因果発見を軽量な生成機械学習モデルと統合し、現在のデータベースに存在しない可能性のある新しい水素化水素候補を生成するフレームワークを提案する。 450のサンプル(トレーニング270、検証90、テスト90)のデータセットを使用して、1000の候補を生成する。 ランク付けとフィルタリングの後、6つの未報告の化学式と結晶構造が同定され、そのうち4つは密度汎関数理論シミュレーションによって検証され、将来の実験的研究の可能性を示す。 全体として、提案するフレームワークは、水素貯蔵データセットを拡張し、材料発見を加速するためのスケーラブルで時間効率のよいアプローチを提供する。

関連論文リスト

• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• "DIVE" into Hydrogen Storage Materials Discovery with AI Agents [8.774584882332526]
  データ駆動人工知能(AI)アプローチは、新しい素材の発見を変革している。 本稿では,視覚表現の記述的解釈(Descriptive Interpretation of Visual Expression, DIVE)について述べる。 4000の出版物から3万点を超えるキュレートされたデータベース上に構築し、これまで報告されていない水素貯蔵成分を2分で識別できる高速な逆設計ワークフローを構築した。
  論文  参考訳（メタデータ） (2025-08-18T14:30:18Z)
• Energy-GNoME: A Living Database of Selected Materials for Energy Applications [0.0]
  最近のGNoMEプロトコルは、380,000以上の新しい安定結晶を識別している。 我々はエネルギー-GNoMEデータベースを構成するエネルギー材料として33,000以上の物質を潜在的に同定する。
  論文  参考訳（メタデータ） (2024-11-15T11:48:14Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Ab Initio Structure Solutions from Nanocrystalline Powder Diffraction Data [4.463003012243322]
  材料科学における大きな課題は、ナノメートルサイズの物体の構造を決定することである。 本稿では,45,229の既知構造に基づく拡散過程に基づく生成機械学習モデルを用いた新しい手法を提案する。 我々のモデルであるPXRDnetは、対称性と複雑さの異なる200の材料にまたがる10アングストロームのシミュレーションナノ結晶を解くことに成功した。
  論文  参考訳（メタデータ） (2024-06-16T03:45:03Z)
• Data Distillation for Neural Network Potentials toward Foundational Dataset [6.373914211316965]
  生成モデルは 迅速に 対象のアプリケーションに 有望な材料を提案できる しかし、生成モデルによる材料の予測特性は、アブイニシアト計算によって計算された性質と一致しないことが多い。 本研究は, 拡張アンサンブル分子動力学(MD)を用いて, 金属系, ニッケル中の液相および固相の幅広い構成を確保した。 蒸留データからトレーニングしたNNPは,これらの構造が初期データの一部ではないにもかかわらず,異なるエネルギー最小化クローズパック結晶構造を予測できることがわかった。
  論文  参考訳（メタデータ） (2023-11-09T14:41:45Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。 材料の生成モデルを評価するための追加指標を提案する。
  論文  参考訳（メタデータ） (2023-10-18T15:49:39Z)
• Normalizing flows for atomic solids [67.70049117614325]
  原子状固体をモデル化するための正規化フローに基づく機械学習手法を提案する。 我々は,単原子水としてモデル化された立方晶および六角形氷のヘルムホルツ自由エネルギー推定と,切り離されたレナード・ジョーンズ系について報告する。 以上の結果から, 結晶形状に制約を加えることなく, 流動の正規化により, 固体の高品質な試料と自由エネルギー推定が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-11-16T18:54:49Z)
• 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)

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。