論文の概要: A Hierarchical Synergistic Deep Learning Framework Integrating Composition, Structure, and Ionic Transport for Solid-State Electrolyte Discovery

• arxiv url: http://arxiv.org/abs/2608.25592v1
• Date: Wed, 26 Aug 2026 10:04:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.726187
• Title: A Hierarchical Synergistic Deep Learning Framework Integrating Composition, Structure, and Ionic Transport for Solid-State Electrolyte Discovery
• Title（参考訳）: 固体電解質発見のための組成,構造,イオン輸送を統合した階層的相乗的深層学習フレームワーク
• Abstract要約: 我々は、4つの相補的なモジュールを通して効率、正確性、信頼性を調整する階層的相補的ディープラーニングフレームワークを開発した。 このフレームワークは、94ハロゲン化物、1つのホウ水化物、2つの酸化物を含む、室温イオン伝導率0.109-59.0 mS/cmの97個の高性能候補を同定する。
• 参考スコア（独自算出の注目度）: 7.436122524426186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inorganic solid-state electrolytes must combine high room-temperature ionic conductivity, a wide electrochemical window, excellent electronic insulation, and favorable mechanical compliance. Single models struggle to support reliable multi-objective screening across vast chemical spaces because of training-data distribution mismatch, cross-property dataset heterogeneity, and scarce kinetic transport data. To overcome these limitations, we develop a hierarchical synergistic deep-learning framework that sequentially coordinates efficiency, accuracy, and reliability through four complementary modules. The in-house-developed L-G-DCNN and a multi-fidelity implementation built on DenseGNN serve as compositional and structural experts for thermodynamic coarse screening and multi-property evaluation, respectively; MatterSim and system-specific DeePMD models provide transport pre-assessment and kinetic validation. Systematic benchmarks show that each module outperforms mainstream counterparts in its task, while retrospective validation establishes dual closed-loop verification of module-level accuracy and end-to-end workflow reliability. Applied to 30,364,908 Alex/ICSD-derived candidates, the framework identifies 97 high-performance candidates with room-temperature ionic conductivities of 0.109--59.0 mS/cm, including 94 halides, one borohydride, and two oxides. Consistency with independent experimental data confirms that 76 of the 94 halides fall within reported high-conductivity structural regions. Analysis reveals that Li$^{+}$ jump-network connectivity, rather than the number of geometric Li sites, is the core determinant of room-temperature ionic conductivity. Li-defect engineering effectively enhances oxide transport, whereas the inherent rigidity of the O$^{2-}$ framework suggests a potential upper limit on oxide electrolyte performance.
• Abstract（参考訳）: 無機固体電解質は、室温のイオン伝導率、広い電気化学窓、優れた電気絶縁、好ましい機械的コンプライアンスを組み合わせなければならない。 単一モデルは、トレーニングデータ分布ミスマッチ、クロスプロパティデータセットの不均一性、および少ない運動的輸送データのために、広大な化学空間にわたる信頼性の高い多目的スクリーニングをサポートするのに苦労する。 これらの制約を克服するため、我々は、4つの相補的なモジュールを通して効率、正確性、信頼性を逐次調整する階層的相補的ディープラーニングフレームワークを開発した。 内製L-G-DCNNとDenseGNN上に構築された多要素実装は、それぞれ熱力学的粗いスクリーニングとマルチプロパティ評価のための構成的および構造的専門家として機能し、MatterSimとシステム固有のDeePMDモデルは、輸送前評価と速度論的検証を提供する。 システムベンチマークでは、各モジュールがタスクのメインストリームよりも優れており、一方、ふりかえり検証では、モジュールレベルの精度とエンドツーエンドワークフローの信頼性の二重閉ループ検証が確立されている。 30,364,908 Alex/ICSD由来の候補に適用すると、94ハロゲン化物、1つのホウ水化物、2つの酸化物を含む、室温イオン伝導率0.109-59.0 mS/cmの97の高性能候補が特定される。 独立実験データとの一致により、94個のハロゲン化物のうち76個が報告された高導電性構造領域に落下することを確認した。 解析によれば、Li$^{+}$ジャンプネットワーク接続は、幾何学的Liサイトの数ではなく、室温イオン伝導度のコア決定因子である。 Li欠陥工学は酸化物輸送を効果的に促進する一方、O$^{2-}$フレームワークの固有の剛性は酸化物電解質の性能に潜在的な上限を示唆している。

関連論文リスト

• Agentic multi-fidelity learning of quasiparticle and excitonic properties [0.5219568203653523]
  低次元ナノ材料における電子構造と光学特性の正確なシミュレーションには多体GW-Bethe-Salpeter方程式が不可欠である。 ひずみしたMoS2-WS2二層膜におけるGW-Bethe-Salpeter励起状態景観を補正するためのエージェント誘導多面体フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-05T20:55:23Z)
• AQVolt26: High-Temperature r$^2$SCAN Halide Dataset for Universal ML Potentials and Solid-State Batteries [2.938747296188444]
  リチウムハロゲン化物に対する322,656 r$2$SCAN単点計算のデータセットであるAQVolt26を提案する。 基礎的なデータセットは、安定なハロゲン化物化学と局所的な力の伝達に強力なベースラインを提供することを示した。 本研究では, 材料プロジェクト緩和データの導入により, ほぼ平衡性能は向上するが, 高温力の精度を向上することなく, 極端拘束性は低下することを示す。
  論文  参考訳（メタデータ） (2026-04-02T21:23:47Z)
• 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)
• SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
  グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。 時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。 SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:42:45Z)
• Coherence Dispersion and Temperature Scales in a Quantum-Biology Toy Model [51.56484100374058]
  量子コヒーレンス(英語版)が任意の量子状態のいくつかの外対角要素の間にどのように散乱するかを考察する。 平衡外システムに焦点をあてることで、我々は開発されたフレームワークを使用して、セル・エネルギティクスの単純化されたモデルに対処する。
  論文  参考訳（メタデータ） (2025-12-13T14:21:34Z)
• 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)
• OBELiX: A Curated Dataset of Crystal Structures and Experimentally Measured Ionic Conductivities for Lithium Solid-State Electrolytes [39.33713747927337]
  固体電解質電池は近い将来、液体電解質リチウムイオン電池を置き換えることが期待されている。 現在、それらの採用は、より効果的なイオン伝導率の低下によって妨げられている。 OBELiXは、合成固体電解質材料とその実験的に測定された室温イオン伝導度のデータベースである。
  論文  参考訳（メタデータ） (2025-02-20T03:59:35Z)
• Universal Machine Learning Interatomic Potentials are Ready for Solid Ion Conductors [4.7376603774180515]
  UMLIP(Universal Machine Learning Interatomic potential)は、その効率性とほぼDFTレベルの精度で、有望なソリューションを提供する。 本研究は, エネルギー, 力, 熱力学特性, 弾性率, リチウムイオン拡散挙動の6つの先進的UMLIPモデルを系統的に評価する。 その結果、MatterSimは、特に複雑な物質システムにおいて、ほぼすべての指標において、他の指標よりも優れています。
  論文  参考訳（メタデータ） (2025-02-14T07:55:53Z)
• 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)
• 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)
• Topological Josephson Junctions in the Integer Quantum Hall Regime [42.408991654684876]
  チューニング可能なジョセフソン接合(TJJ)は、異常なジョセフソン効果と位相量子絶縁体応用を研究する上で望ましいプラットフォームである。 本稿では、整数量子ホール(IQH)と超伝導体の物理を組み合わせることで、頑健で静電気的に調整可能なTJJを提案する。 スケーラブルでロバストなAndreev-qubitプラットフォームへの特に関連性があり、また効率的な位相電池でもある。
  論文  参考訳（メタデータ） (2022-11-04T16:45:07Z)
• Machine Learning-Aided Discovery of Superionic Solid-State Electrolyte for Li-Ion Batteries [1.787419386215488]
  Li-Ion固相電解質(Li-SSEs)は、従来のLi-Ion電池(LIBs)の臨界問題を解消する有望な解である 20,237個のLi含有材料中の超イオン性Li-SSEを発見するための機械学習シュロゲートモデルを開発した。
  論文  参考訳（メタデータ） (2022-02-14T14:33:56Z)

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。