論文の概要: GQD-AdsNet: Graph Neural Networks Unlock Rapid Exploration of Transition Metal Adsorption on Graphene Quantum Dots

• arxiv url: http://arxiv.org/abs/2607.18591v1
• Date: Mon, 20 Jul 2026 23:56:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.278944
• Title: GQD-AdsNet: Graph Neural Networks Unlock Rapid Exploration of Transition Metal Adsorption on Graphene Quantum Dots
• Title（参考訳）: GQD-AdsNet:グラフェン量子ドット上の遷移金属吸着の迅速探索
• Authors: Lara Goncebat, Rodrigo Echeveste, Matías Gerard, Frederik Tielens, Gustavo Belletti, Paola Quaino,
• Abstract要約: グラフェン量子ドット(GQD)上の遷移金属の吸着エネルギーを予測するためのグラフニューラルネットワーク(GNN)に基づくフレームワークを開発する。 このモデルは密度汎関数理論計算から得られたデータを用いて訓練され、0.101eVのMAEで$R2$の0.906を得た。 この手法は、炭素ナノ構造に基づく新規触媒の迅速スクリーニングおよび合理的設計のための効率的なツールを提供する。
• 参考スコア（独自算出の注目度）: 0.3078691410268859
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, interest in single-atom catalysts supported on carbon-based structures has grown considerably due to their high catalytic activity and efficient uses of metal atoms. However, the design and characterization of these materials through first-principles calculations are computationally expensive, limiting the exploration of a large number of possible configurations. Here, we developed a framework based on graph neural networks (GNNs) to predict the adsorption energies of transition metals on graphene quantum dots (GQDs). The model was trained using data obtained from density functional theory calculations and achieved an $R^2$ of 0.906 with an MAE of 0.101 eV, while reducing computational cost by roughly six orders of magnitude relative to DFT. This methodology provides an efficient tool for the accelerated screening and rational design of new catalysts based on carbon nanostructures.
• Abstract（参考訳）: 近年, 炭素系構造に担持する単原子触媒への関心は, 高触媒活性と金属原子の効率的な利用により大きく成長している。 しかし、第一原理計算によるこれらの材料の設計と特性は計算コストがかかり、多くの可能な構成の探索が制限される。 そこで我々は,グラフェン量子ドット(GQD)上の遷移金属の吸着エネルギーを予測するために,グラフニューラルネットワーク(GNN)に基づくフレームワークを開発した。 このモデルは密度汎関数理論計算から得られたデータを用いて訓練され、0.101 eVのMAEで$R^2$の0.906を達成し、計算コストをDFTに対して約6桁削減した。 この手法は、炭素ナノ構造に基づく新規触媒の迅速スクリーニングおよび合理的設計のための効率的なツールを提供する。

関連論文リスト

• Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
  有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。 バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
  論文  参考訳（メタデータ） (2025-04-08T14:28:54Z)
• Lightweight Geometric Deep Learning for Molecular Modelling in Catalyst Discovery [0.0]
  Open Catalyst Projectは、グラフニューラルネットワーク(GNN)の進歩を適用して、触媒発見の進展を加速することを目的としている。 幾何学的および対称的なメッセージパッシングのようなロバストな設計パターンを実装することで、吸着と表面の相互作用の原子間力を予測するために、0.0748のMAEに達したGNNモデルを訓練することができた。
  論文  参考訳（メタデータ） (2024-04-05T17:13:51Z)
• 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)
• Faster spectral density calculation using energy moments [77.34726150561087]
  我々は、最近提案されたガウス積分変換法を、ハミルトニアン系のフーリエモーメントの観点から再構成する。 このフレームワークの主な利点の1つは、計算コストの大幅な削減を可能にすることである。
  論文  参考訳（メタデータ） (2022-11-01T23:57:58Z)
• 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)
• Prediction of $\textrm{CO}_2$ Adsorption in Nano-Pores with Graph Neural Networks [2.6424064030995957]
  本モデルは,吸着材料候補の原子学的記述を含む標準構造入力ファイルのみに基づく。 従来の機械学習モデルの予測精度に適合する新しい手法拡張を構築した。 当社のアプローチは, 産業規模でのガス捕捉プロセスの最適化に広く適用することができる。
  論文  参考訳（メタデータ） (2022-08-22T04:22:21Z)
• Rapid Discovery of Graphene Nanocrystals Using DFT and Bayesian Optimization with Neural Network Kernel [0.0]
  材料発見においては、望まれる性質を持つ材料を見つけるために、大規模で高次元の化学空間をスクリーニングする必要があることが多い。 本稿では,ベイズ最適化(BO)とニューラルネットワークカーネルを併用して,スマート検索を実現する手法を提案する。
  論文  参考訳（メタデータ） (2022-08-16T09:02:16Z)
• Boosting Heterogeneous Catalyst Discovery by Structurally Constrained Deep Learning Models [0.0]
  グラフニューラルネットワーク(GNN)のようなディープラーニングアプローチは、新しい高性能触媒をモデル化するスコープを大幅に拡張する新たな機会を開く。 ここでは,Voronoiテッセルレーションにより改良したGNNの埋め込み改善について述べる。 データの適切な選択は、物理ベースで1原子あたり20 meV以上の値に誤差を減少させることができることを示す。
  論文  参考訳（メタデータ） (2022-07-11T17:01:28Z)
• Temporal Attention-Augmented Graph Convolutional Network for Efficient Skeleton-Based Human Action Recognition [97.14064057840089]
  グラフネットワーク(GCN)はユークリッド以外のデータ構造をモデル化するのに非常に成功した。 ほとんどのGCNベースのアクション認識手法は、計算量の多いディープフィードフォワードネットワークを使用して、全てのスケルトンをアクションで処理する。 本稿では,骨格に基づく行動認識の効率を高めるための時間的アテンションモジュール(TAM)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T08:01:55Z)

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。