論文の概要: Benchmark Dataset for Catalysis on 2D MXenes

• arxiv url: http://arxiv.org/abs/2606.00794v1
• Date: Sat, 30 May 2026 16:18:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.777579
• Title: Benchmark Dataset for Catalysis on 2D MXenes
• Title（参考訳）: 2次元MXene触媒のためのベンチマークデータセット
• Authors: Pavlo Melnyk, Anmar Karmush, Mårten Wadenbäck, Ania Beatriz Rodríguez-Barrera, Johanna Rosen, Michael Felsberg, Jonas Björk,
• Abstract要約: 2次元(2D) Ti$VCT$_y$MXenesに焦点をあてた。 この課題に対処するために、トレーニング用の5万のDFT計算とテスト用の1万の包括的なデータセットを生成します。 EquiformerV2, MACE, MatRIS, UPETなどの機械学習の原子間ポテンシャル(MLIP)モデルを用いて, 原子間力と形成エネルギーを正確に予測し, 評価する。
• 参考スコア（独自算出の注目度）: 20.3137851025657
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Merging first-principles calculations with machine learning (ML), we aim to accelerate the exploration of catalytic behaviour in novel materials. We focus on two-dimensional (2D) Ti$_2$CT$_y$ MXenes, whose versatile surface chemistry makes them particularly compelling candidates for catalysis. Resolving their composition and structure under realistic conditions exceeds the reach of standard density functional theory (DFT) due to computational cost. To address this challenge, we generate a comprehensive dataset of 50,000 DFT calculations for training and 10,000 for testing, encompassing both Ti$_2$CT$_y$ MXene configurations and molecular systems, along with an additional test dataset with 1000 genuinely new, larger systems to investigate how well models generalise. We train and validate widely used and competitive machine learning interatomic potential (MLIP) models, including EquiformerV2, MACE, MatRIS, and UPET, that accurately predict atomic forces and formation energies -- quantities that DFT must repeatedly compute for structural and catalytic investigations -- for these 2D materials. This combined DFT-ML framework achieves computational acceleration on the order of approximately $1-4 \cdot 10^3$ (on a CPU) while maintaining desired-level accuracy (approximately +/- $10$ meV/A for forces and approximately +/- $1$ meV for per-atom energies), paving the way for more efficient investigations of MXene catalytic behaviour. Moreover, we perform an extensive qualitative evaluation of the trained models, showcasing the importance of comprehensive simulation-based comparison beyond benchmark metrics. The dataset and the trained models with the code are available at https://huggingface.co/datasets/CatalystAnonymous/catalyst_mxenes.
• Abstract（参考訳）: 第一原理計算と機械学習(ML)を組み合わせることで,新規材料における触媒挙動の探索を加速することを目指す。 2次元(2D) Ti$_2$CT$_y$MXenes に焦点をあてた。 現実的な条件下でそれらの構成と構造を解くことは、計算コストによる標準密度汎関数理論(DFT)の範囲を超える。 この課題に対処するために、Ti$2$CT$_y$MXene構成と分子システムの両方を含む、トレーニング用の5万DFT計算と1万DFTテスト用の包括的なデータセットを生成し、さらに1000の真に新しい大規模システムによるテストデータセットを作成し、モデルがいかに一般化するかを調査する。 EquiformerV2, MACE, MatRIS, UPETなど,広く使用されている競合する機械学習の原子間ポテンシャル(MLIP)モデルをトレーニングし,検証する。 この組み合わせ DFT-ML フレームワークは、所望のレベルの精度を維持しつつ、約1-4 \cdot 10^3$ (CPU上で) の順番で計算の加速を達成する(力に対する約 +/- 10$ meV/A と原子当たりのエネルギーに対する約 +/- $1$ meV )。 さらに、トレーニングされたモデルの定性的な評価を行い、ベンチマーク指標を超えた総合的なシミュレーションベースの比較の重要性を示す。 コード付きデータセットとトレーニングされたモデルは、https://huggingface.co/datasets/CatalystAnonymous/catalyst_mxenesで公開されている。

関連論文リスト

• Tabular foundation models for in-context prediction of molecular properties [44.41091354279448]
  タブラル基礎モデル(TFM)は、コンテキスト内学習を通じて予測を行い、タスク固有のトレーニングなしで推論を可能にする。 我々は、標準化された医薬品のベンチマークと化学工学のデータセットの両方で、低・中・データ体制におけるTFMを評価した。 ベンチマーク全体を通して、この手法は微調整に比べて計算コストを抑えながら優れた予測性能を示す。
  論文  参考訳（メタデータ） (2026-04-17T14:58:43Z)
• Breaking the Training Barrier of Billion-Parameter Universal Machine Learning Interatomic Potentials [25.963136125890298]
  我々は,ハードウェアを意識した uMLIP のための高次元分散トレーニングフレームワークである MatRIS-MoE と Janus を紹介する。 我々のコードは1つの精度で 1.2/1.0 EFLOPS (理論ピークの24%/35.5%) のピーク性能を90%以上の並列効率で達成している。 この研究は、ExascaleでAI-for-Science(AI4S)基盤モデルのための新しいハイウォーターマークを確立する。
  論文  参考訳（メタデータ） (2026-04-17T08:20:32Z)
• SimulCost: A Cost-Aware Benchmark and Toolkit for Automating Physics Simulations with LLMs [56.07550353240028]
  物理シミュレーションにおけるコスト依存パラメータチューニングをターゲットとした最初のベンチマークであるSimulCostを紹介する。 SimulCostは、LCMチューニングのコスト感受性パラメータと従来のスキャン手法の精度と計算コストを比較した。 各シミュレータのコストは解析的に定義され、プラットフォームに依存しない。
  論文  参考訳（メタデータ） (2026-03-11T05:00:48Z)
• DrivAerStar: An Industrial-Grade CFD Dataset for Vehicle Aerodynamic Optimization [17.541117004160892]
  計算コストのかかるCFD(Computational Dynamics)シミュレーションは、設計イテレーション毎に数週間生成される。 DrivAerStarは、学術機械学習の研究と産業CFDの実践をブリッジする最初のデータセットであり、自動車開発におけるデータ駆動型空力最適化の新しい標準を確立している。 自動車アプリケーション以外にも、DriivAerStarは、高忠実度物理シミュレーションをAI(Artificial Intelligence)と統合するためのパラダイムをデモしている。
  論文  参考訳（メタデータ） (2025-10-19T14:42:32Z)
• Efficient dataset construction using active learning and uncertainty-aware neural networks for plasma turbulent transport surrogate models [0.0]
  本研究は,不確実性を考慮したアーキテクチャを用いてモデル生成のための効率的なデータセットを構築するための実証実験である。 この戦略はトカマク核融合プラズマ中のプラズマ乱流輸送問題、特にQuaLiKiz準静電ジャイロキネティック乱流輸送符号に再び適用された。 45回のアクティブな学習イテレーションで、102ドルの小さな初期トレーニングセットから104ドルの最終セットに移行し、結果のモデルは0.8のF_1ドルの分類パフォーマンス、独立したテストセットで0.75ドルの回帰パフォーマンスに達した。
  論文  参考訳（メタデータ） (2025-07-21T18:15:12Z)
• The carbon cost of materials discovery: Can machine learning really accelerate the discovery of new photovoltaics? [0.05524804393257919]
  高速太陽光発電 (PV) 材料の発見において, 計算スクリーニングは実験の強力な補完となる。 ほとんどの場合、太陽エネルギー変換に関連する電子的および光学的性質を推定するために密度汎関数理論(DFT)に依存する。 マシンラーニング(ML)モデルは先日,DFTのサロゲートとして注目され,リソース使用の大幅な削減と,競争力のある予測パフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-07-17T15:55:02Z)
• Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
  我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。 このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。 本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-14T02:58:24Z)
• Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
  分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。 最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。 我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T04:34:54Z)
• 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。