ICMLJun, 2024

使用基于 Transformer 的分子表示模型改进电解质配方的性能预测

PDF
TL;DR高效高性能电解液的开发对于推进能量存储技术，特别是电池技术非常重要。本文介绍了一种新的方法，利用基于 Transformer 的分子表示模型来有效地捕捉电解液配方的表示，通过在两个电池属性预测任务中对该方法进行评估，结果表明其在性能上优于目前的最先进方法。
发现论文，激发创造
  • 电池电解液的结构 - 组成与器件性能的配方图

    我们报道了一个深度学习模型，Formulation Graph Convolution Network (F-GCN)，可以将个体组分的结构 - 组成关系映射到整个液体配方的性质上。该模型在电池电解液配方上得到了良好的性能预测结果，包括 Coulombic Efficiency (CE) 和比容量。

    Jul, 2023

  • 用变压器预测多变量电池性能和健康状态

    通过使用深度转换网络，我们展示了对 28 个电池健康描述符进行预测的第一步，使用两组循环数据集代表了六种锂离子阴极化学组成（LFP，NMC111，NMC532，NMC622，HE5050 和 5Vspinel），多种电解质 / 阳极组成和不同的充放电方案。这些预测与电池寿命相比的准确性（对于一个 LFP 快充数据集预测终点寿命的绝对平均误差为 19 个循环）展示了深度学习在提供更深入理解和控制电池健康方面的潜力。

    Sep, 2023

  • 基于机器学习的电极制造优化，实现高性能能量和功率电池

    本研究通过提出一种动力学机器学习辅助流程的数据驱动方法，优化了生产参数的逆向设计，从而实现了可用于能量或功率应用的电极的制造。

    Jul, 2023

  • 使用反应预测预训练变形金刚进行分子属性预测

    本文旨在使用反应数据进行预训练分子表示的过程，运用在 MoleculeNet 的 12 个分子属性预测任务上，结果显著地提高了预测模型的表现。

    Jul, 2022

  • 基于分子几何的 Transformer 模型，用于准确建模三维原子系统

    我们提出了一种新颖的 Transformer 架构 Moleformer，它将节点（原子）和边（键和非键原子对）作为输入，并使用旋转不变性和平移不变性的几何感知空间编码来模拟它们之间的相互作用。我们在 OC20 和 QM9 数据集上进行了基准测试，Moleformer 在 OC20 的初始状态到松弛能量预测方面实现了最先进的水平，并且在预测量子化学性质方面与其他 Transformer 和图神经网络方法相比非常有竞争力，证明了所提出的几何感知空间编码在 Moleformer 中的有效性。

    Feb, 2023

  • 转移分子基础模型以预测聚合物性质

    使用在小分子上预训练并在聚合物属性上微调的 Transformer 模型，可以达到与在扩增聚合物数据集训练的模型相当的准确性，对于一系列基准预测任务来说。

    Oct, 2023

  • 一种 Transformer 模型可以理解 2D 和 3D 分子数据

    本文提出了 Transformer-M 模型，可以对 2D 和 3D 分子结构信息进行编码和语义表示，通过合适的监督信号训练获得对不同数据格式的知识，从而能够广泛应用于不同的任务。

    Oct, 2022

  • 利用语言模型和领域相关辅助任务进行分子表示学习

    本文采用 Transformer 结构，具体为 BERT，来学习灵活高质量的分子表示，从预训练使用不同组合的自监督任务的影响、到提高所学表示的领域相关性，最终提高了我们模型 MolBert 在基准数据集上的性能，显示其在药物发现方面具有良好的应用前景。

    Nov, 2020

  • 分子性质预测的 Transformer 方法：过去五年的经验教训

    使用变压器模型进行分子属性预测的当前研究进行了分析，强调了尚未涵盖的领域，并提出进行标准化数据划分和稳健统计分析的挑战。

    Apr, 2024

  • 基于深度算子网络推断锂电池的电化学性能与参数

    本文提出了一种将基础物理约束融入数据驱动替代电池系统的方法，通过构建 DeepONet 进行预测，建立了一个包括两个并行物理信息 DeepONets 和一个预测终端电压的 DeepONet 的混合代理，该代理具有高效和准确度以及完全可微的模型结构。

    May, 2022