論文の概要: Unraveling the Size Determination Mechanism of Nanocrystal Synthesis via Interpretable Neural Networks
- arxiv url: http://arxiv.org/abs/2608.14734v1
- Date: Thu, 13 Aug 2026 07:43:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.05609
- Title: Unraveling the Size Determination Mechanism of Nanocrystal Synthesis via Interpretable Neural Networks
- Title（参考訳）: 解釈型ニューラルネットワークによるナノ結晶合成の粒度決定機構の解明
- Abstract要約: 我々は,ナノ結晶合成のサイズ決定機構を明らかにするために,ナノ結晶方程式学習器(NanoEQL)を開発した。
最終ナノ結晶サイズは、ナノ結晶化能力(-Zp)、成長能力(Zrea)、外部入力電位(-Zops)を表す3つのスカラーからなる線形方程式で記述できることを示す。
- 参考スコア（独自算出の注目度）: 0.4411658619208916
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning models of nanocrystal synthesis enable the prediction of size and shape by encoding precursors and reaction conditions. However, their black-box nature hinders gaining deep insights into the underlying synthetic mechanisms. Here, we develop the Nanocrystal Equation Learner (NanoEQL), a fully white-box neural network to unravel the size determination mechanisms of nanocrystal synthesis. Building on the EQL architecture, eight operators are introduced to replace standard activation functions to fit the mathematical equations in nanocrystal synthesis. Among these operators, three smoothed operators address the gradient explosion of singular operators at zero. To evaluate the weights of different precursors, we develop a temperature-gated attention pooling strategy that encodes concentration-driven and reactivity-driven chemical synthesis mechanisms into the temperature gate. The NanoEQL model illustrates that the final nanocrystal size can be described by a linear equation composed of three scalars representing nanocrystallization capability (-Zp), growth capability (Zrea), and external input potential (-Zops). These interpretable scalars not only advance the rational design of nanocrystal synthesis but also establish a generalizable paradigm for deciphering chemical reaction mechanisms through white-box machine learning.
- Abstract（参考訳）: ナノ結晶合成の深層学習モデルは、前駆体と反応条件を符号化することでサイズと形状の予測を可能にする。
しかし、ブラックボックスの性質は、基礎となる合成機構について深い洞察を得ることを妨げる。
そこで我々は,ナノ結晶合成の規模決定機構を明らかにするために,完全白い箱型ニューラルネットワークであるナノ結晶方程式学習器(NanoEQL)を開発した。
EQLアーキテクチャに基づいて、8つの演算子を導入し、ナノ結晶合成の数学的方程式に適合する標準活性化関数を置き換えた。
これらの作用素の中で、3つの滑らかな作用素は特異作用素の 0 での勾配の爆発に対処する。
異なる前駆体の重量を評価するため,濃度駆動型および反応性駆動型化学合成機構を温度ゲートにエンコードする温度ゲート型アテンションプーリング戦略を開発した。
NanoEQLモデルは、最終ナノ結晶サイズを、ナノ結晶化能力(-Zp)、成長能力(Zrea)、外部入力電位(-Zops)を表す3つのスカラーからなる線形方程式で記述できることを示している。
これらの解釈可能なスカラーは、ナノ結晶合成の合理的設計を前進させるだけでなく、ホワイトボックス機械学習を通じて化学反応機構を解読するための一般化可能なパラダイムを確立する。
関連論文リスト
- A large-scale nanocrystal database with aligned synthesis and properties enabling generative inverse design [13.264257933986677]
本稿では,大規模で整列したナノ結晶合成・プロパティデータベースの構築について述べる。
私たちの仕事は、構造化されていない文学とデータ駆動の副産物のギャップを埋めます。
また,ナノ結晶発見を加速するための強力な人間-AI協調パラダイムを構築した。
論文 参考訳（メタデータ） (2026-01-04T07:27:40Z) - 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) - Rethinking Molecule Synthesizability with Chain-of-Reaction [47.744071119775676]
合成可能な投影のための生成フレームワークであるReaSynを紹介する。
大規模言語モデル(LLM)における推論経路に類似した合成経路を考慮した新しい視点を提案する。
CoR表記により、ReaSynは化学反応規則を明示的に学習する全ての反応ステップにおいて、密集した監督を受けることができる。
論文 参考訳（メタデータ） (2025-09-19T15:29:57Z) - Autonomous nanoparticle synthesis by design [32.63291717930695]
本稿では,原子スケール構造を特異的に合成する自律的手法を提案する。
提案手法は,実時間実験全散乱(TS)とペア分布関数(PDF)データとをマッチングして合成プロトコルを自動設計する。
我々はこの能力をシンクロトロンで実証し、2つの構造的に異なる金NPの合成に成功した。
論文 参考訳（メタデータ） (2025-05-19T13:19:30Z) - Bridging Theory and Experiment in Materials Discovery: Machine-Learning-Assisted Prediction of Synthesizable Structures [4.447856707178621]
本稿では、対称性誘導構造導出とWyckoffエンコードに基づく機械学習モデルを統合する合成可能性駆動型CSPフレームワークを提案する。
このフレームワークは、実験的に知られている13のXSe(X = Sc, Ti, Fe, Ni, Cu)構造を再現し、合成可能な構造を予測する効果を示した。
論文 参考訳（メタデータ） (2025-05-14T05:48:55Z) - GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。
DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。
また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
論文 参考訳（メタデータ） (2025-02-11T05:39:49Z) - 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) - Deep Learning Models for Colloidal Nanocrystal Synthesis [9.520435535546497]
ナノ結晶のコロイド合成は通常、複雑な化学反応と多段階結晶化プロセスを含む。
そこで我々は, 目的とするナノ結晶の最終的なサイズと形状と, 合成パラメータを相関付ける深層学習に基づくナノ結晶合成モデルを開発した。
論文 参考訳（メタデータ） (2024-12-14T14:18:59Z) - Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
RAlignは、様々な有機反応関連タスクのための新しい化学反応表現学習モデルである。
反応物質と生成物との原子対応を統合することにより、反応中に起こる分子変換を識別する。
モデルが重要な機能群に集中できるように,反応中心認識型アテンション機構を導入する。
論文 参考訳（メタデータ） (2024-11-26T17:41:44Z) - RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。
我々の方法はレトロシンセシスを2段階に分解する。
最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
論文 参考訳（メタデータ） (2020-11-04T04:35:34Z) - Predictive Synthesis of Quantum Materials by Probabilistic Reinforcement
Learning [1.4680035572775534]
本研究では, 半超電導単層MoS$_2$の量子材料に対する最適合成スケジュールの予測に強化学習を用いる。
このモデルは、多相ヘテロ構造を含む複雑な構造の合成のためのプロファイルを予測するために拡張することができる。
論文 参考訳（メタデータ） (2020-09-14T20:50:45Z)
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。