論文の概要: Beyond the Black Box: An Interpretable Machine Learning Framework for Predicting Electronic Structure Microdescriptors and Structure-Performance Relationships in Fe-based Catalytic Systems

• arxiv url: http://arxiv.org/abs/2605.08994v1
• Date: Sat, 09 May 2026 15:25:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.008987
• Title: Beyond the Black Box: An Interpretable Machine Learning Framework for Predicting Electronic Structure Microdescriptors and Structure-Performance Relationships in Fe-based Catalytic Systems
• Title（参考訳）: ブラックボックスを超えて:Fe系触媒系における電子構造マイクロディスクリプタと構造-性能関係を予測するための解釈可能な機械学習フレームワーク
• Abstract要約: 本研究は,SHAPに基づく特徴重要度分析(Explainable AI)を木系アンサンブルと統合し,メタン(POM)の部分酸化のためのFe-ゼオライトおよび酸化物担持触媒を特徴付ける解釈可能な機械学習フレームワークを提案する。 限られたデータにもかかわらず、このフレームワークは、電子バンドギャップに影響を及ぼし、選択性、活動性、安定性などのマクロなパフォーマンス指標を管理する熱力学的、構造的、幾何学的マイクロディスクリプタを識別し、ランク付けすることで、複雑な構造と性能の関係をデコードする。
• 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 current catalyst discovery and development pipeline for energy-intensive applications like methane conversion remains bottlenecked by expensive trial-and-error experimentation, irreproducible chemical intuition, and a lack of frameworks linking complex catalytic design spaces to performance. This work presents an interpretable machine learning framework that integrates SHAP-based feature importance analysis (Explainable AI) with tree-based ensembles (Random Forest and Bayesian-optimized CatBoost) to characterize Fe-zeolite and oxide-supported catalysts for the partial oxidation of methane (POM). Despite limited data, the framework decodes complex structure-performance relationships by identifying and ranking thermodynamic, structural, and geometric microdescriptors that influence the electronic band gap and govern macroscale performance metrics such as selectivity, activity, and stability. This work explicitly demonstrates that thermodynamic lattice stability and geometric factors are the primary drivers of electronic band gap (a critical proxy for redox reactivity) rather than bulk stoichiometry. Non-linear models achieve an R2 of 0.61 - 0.77, significantly outperforming traditional linear baselines (R2 = 0.32). This workflow provides both a light-weight generalizable methodology and a prioritized list of physical features for accelerated catalyst screening - and these features can subsequently be integrated into microkinetic and reaction engineering models to create digital twins of complex reactor systems and to enable predictive optimization in autonomous R&D laboratories.
• Abstract（参考訳）: メタン変換のようなエネルギー集約的な応用のための現在の触媒発見と開発パイプラインは、高価な試行錯誤実験、生産不可能な化学直観、複雑な触媒設計空間と性能を結びつけるフレームワークの欠如によってボトルネックとなっている。 本研究は,SHAPに基づく特徴重要度分析(Explainable AI)と木系アンサンブル(ランドムフォレストとベイズ最適化キャットブースト)を統合し,Fe-ゼオライトおよび酸化物担持触媒を特徴付けるための解釈可能な機械学習フレームワークを提案する。 限られたデータにもかかわらず、このフレームワークは、電子バンドギャップに影響を及ぼし、選択性、活動性、安定性などのマクロなパフォーマンス指標を管理する熱力学的、構造的、幾何学的マイクロディスクリプタを識別し、ランク付けすることで、複雑な構造と性能の関係をデコードする。 この研究は、熱力学的な格子安定性と幾何学的因子が、バルク速度論よりも電子バンドギャップ(レドックス反応性の重要な指標)の主要な要因であることを示した。 非線型モデルは0.61-0.77のR2を達成し、従来の線形ベースライン(R2 = 0.32)を著しく上回る。 このワークフローは、軽量で一般化可能な方法論と、触媒スクリーニングを加速するための物理的特徴の優先順位付けリストの両方を提供する。これらの特徴は、その後、ミクロキネティックおよび反応工学モデルに統合され、複雑な原子炉システムのデジタルツインを作成し、自律的なR&D研究所での予測最適化を可能にする。

関連論文リスト

• MatCreatioNN: Machine learning-guided computational discovery of photocatalysts for environmental applications [0.0]
  本研究は、強化学習に基づく金属有機フレームワーク(MOF)生成と多段階CGCNN予測関数を結合して、複数の電子的および構造的特徴に最適化された光触媒を同定する統合機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-29T16:03:07Z)
• Graph-Theoretic Neural Network Fragmentation with Covariant Direct Molecular Force Learning: Enabling Coupled-Cluster Accuracy AIMD for Fluxional Systems [1.476367559174889]
  本稿では,機械学習と統合されたグラフ理論的分子断片化フレームワークを用いて,ハートリー・フォック後の核力のモデル化を行う。 我々のフレームワークは複雑な動的シグネチャと重要な構造特性を再現した。 最終的に、このスケーラブルで体系的に即効的なフレームワークは、高レベルの相関波動関数理論と長時間の反応性サンプリングのギャップを埋める。
  論文  参考訳（メタデータ） (2026-07-23T19:49:22Z)
• Reaction-network reasoning with frontier models for experimentally confirmed catalyst-selectivity hypotheses [2.680414327006012]
  経路競合を支配する物理レバーを同定することにより,フロンティア言語モデルが新規触媒を発見可能であることを示す。 我々は、複雑な化学グラフからテスト可能な仮説を抽出するために、ネットワーク不変性を強制する人間-AI共同思考フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-09T00:11:40Z)
• On Surrogate Modeling of Static Response of AM Short-Fiber Thermoplastics Using Graph Neural Networks [0.9158247555026059]
  短繊維熱可塑性(SFT)複合材料は、軽量な航空宇宙と自動車構造にますます採用されている。 SFTの機械的応答は、繊維配向、空間クラスタリング、製造誘起ポーシティ間のメソスケール相互作用によって制御される。 AM-CM SFTの機械的挙動を予測するために,データ駆動型サロゲートフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-27T16:18:48Z)
• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• QE-Catalytic: A Graph-Language Multimodal Base Model for Relaxed-Energy Prediction in Catalytic Adsorption [44.77883047868218]
  本稿では,大規模言語モデルとE(3)-同変グラフ変換器を結合したマルチモーダルフレームワークQE-Catalyticを提案する。 予測中、QE-Catalyticは3次元構造と構造化された構成テキストを共同で利用し、言語チャネルに「3次元幾何学情報」を注入する。 OC20では、QE-Catalytic は緩和された吸着エネルギーの MAE を 0.713eV から 0.486eV に還元し、ベースラインモデルより一貫して優れる。
  論文  参考訳（メタデータ） (2025-12-23T06:27:30Z)
• Accelerating High-Throughput Catalyst Screening by Direct Generation of Equilibrium Adsorption Structures [0.0]
  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。
  論文  参考訳（メタデータ） (2025-12-17T09:26:58Z)
• OXtal: An All-Atom Diffusion Model for Organic Crystal Structure Prediction [63.318434943975255]
  分子内コンフォーメーションと周期的パッキングの条件付き関節分布を学習する大規模100Mパラメータ全原子拡散モデルであるOXtalを導入する。 実験的に検証された600Kの結晶構造の大規模なデータセットを活用することで、OXtalは、以前のabinitio機械学習CSPメソッドよりも改善の順序を達成できる。 オキシタルは80%以上のパッキング類似率を獲得し、分子結晶化の熱力学的および運動論的規則性の両方をモデル化する能力を示している。
  論文  参考訳（メタデータ） (2025-12-07T20:46:30Z)
• oMeBench: Towards Robust Benchmarking of LLMs in Organic Mechanism Elucidation and Reasoning [44.36582860924775]
  有機化学における有機機構推論のための,最初の大規模で専門家によるベンチマークであるoMeBenchを紹介する。 また,ステップレベルの論理と化学的類似性を組み合わせた動的評価フレームワークoMeSを提案する。
  論文  参考訳（メタデータ） (2025-10-09T03:13:31Z)
• Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
  プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。 長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。 従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。 本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
  論文  参考訳（メタデータ） (2025-06-19T15:46:49Z)
• 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)
• Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
  電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。 この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
  論文  参考訳（メタデータ） (2024-12-17T15:05:33Z)
• Interpolation and differentiation of alchemical degrees of freedom in machine learning interatomic potentials [0.980222898148295]
  原子性物質シミュレーションにおける連続的および微分可能なアルケミカル自由度の利用について報告する。 提案手法は,MLIPのメッセージパッシングおよび読み出し機構の変更とともに,対応する重みを持つアルケミカル原子を入力グラフに導入する。 MLIPのエンドツーエンドの微分可能性により、構成重みに対するエネルギー勾配の効率的な計算が可能となる。
  論文  参考訳（メタデータ） (2024-04-16T17:24:22Z)
• 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)
• Li$_x$CoO$_2$ phase stability studied by machine learning-enabled scale bridging between electronic structure, statistical mechanics and phase field theories [0.0]
  Li$_xTM$O$$ (TM=Ni, Co, Mn) は、Liイオン電池の電気化学的サイクリング性能が原子スケールでのLi含有量の関数としての結晶構造と相安定性に強く支配されるカソードである。 ここでは、Li$_x$CoO$$(LCO)をモデルシステムとして、原子スケールでの密度汎関数理論計算と連続スケールでの位相場モデリングを組み合わせたスケールブリッジングフレームワークをベンチマークする。
  論文  参考訳（メタデータ） (2021-04-16T19:00:59Z)

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。