漂亮的喂奶人妻挤奶水,最近中文字幕大全,国产女女做受ⅹxx高潮

南卡大學(xué)胡建軍ACS AMI：圖神經(jīng)網(wǎng)絡(luò)準(zhǔn)確預(yù)測(cè)電極材料電壓

執(zhí)行第一性原理計(jì)算以發(fā)現(xiàn)大型化學(xué)空間中的電極特性是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。雖然機(jī)器學(xué)習(xí)（ML）已被應(yīng)用于有效加速這些發(fā)現(xiàn)，但大多數(shù)應(yīng)用方法忽略了材料的空間信息，僅使用預(yù)定義的特征—化學(xué)成分。

在此，美國(guó)南卡羅來納大學(xué)胡建軍教授、西北太平洋國(guó)家實(shí)驗(yàn)室Rajendra P. Joshi等人開發(fā)了兩個(gè)基于注意力的圖神經(jīng)網(wǎng)絡(luò)，通過將化學(xué)成分與空間信息相結(jié)合以預(yù)測(cè)電池電極材料的電壓。該方法結(jié)合了3D空間中的原子組成和原子坐標(biāo)，與僅基于化學(xué)成分的ML模型相比，顯著提高了電壓預(yù)測(cè)的準(zhǔn)確性。

第一種方法是通過考慮高電位電極與金屬離子之間的化學(xué)反應(yīng)形成低電位電極來預(yù)測(cè)電壓，而第二個(gè)模型結(jié)合電極的ML預(yù)測(cè)形成能（E_form）來計(jì)算其平均電壓。圖神經(jīng)網(wǎng)絡(luò)（GNN）是一種深度神經(jīng)網(wǎng)絡(luò)，已被應(yīng)用于有效地從網(wǎng)絡(luò)或圖數(shù)據(jù)中學(xué)習(xí)潛在特征。與應(yīng)用于材料領(lǐng)域的其他GNN相比，本文中采用的GATGNN模型學(xué)習(xí)每個(gè)原子的局部和全局的貢獻(xiàn)，即首先通過其增強(qiáng)圖注意力層（AGAT）有效地捕獲原子的局部重要性，然后是全局注意力。

圖1. GATGNN架構(gòu)概述

作者將預(yù)測(cè)結(jié)果與文獻(xiàn)中用于預(yù)測(cè)電壓的最新基于化學(xué)成分的模型進(jìn)行了比較，其中基于結(jié)構(gòu)的模型比這個(gè)基準(zhǔn)工作要準(zhǔn)確得多。與基于反應(yīng)的模型相比，基于 E_form的模型始終提供更低的MAE。而且相對(duì)于文獻(xiàn)中的已知模型，本文基于E_form的模型在應(yīng)用于從學(xué)習(xí)的Li⁺子集遷移到Na電極時(shí)表現(xiàn)出高度的性能可遷移性。

此外，作者預(yù)測(cè)了10種未包含在Na電池的MP數(shù)據(jù)庫(kù)中且化學(xué)通式為NaxMPO₄F（M = Ti、Cr、Fe、Cu、Mn、Co和Ni）的氟磷酸鹽電池框架的平均理論電壓。結(jié)果顯示，除了平均電壓為1.32 V的NaTiPO₄F和TiPO₄F電極對(duì)之外，可以預(yù)期這些Na電池框架的平均電壓高于3.1 V?？傊?，這項(xiàng)研究表明在用于訓(xùn)練ML模型進(jìn)行插層反應(yīng)的數(shù)據(jù)有限的情況下，根據(jù)電極的形成能計(jì)算電壓是預(yù)測(cè)電壓的理想方法。

圖2. 基于反應(yīng)和E_form的模型預(yù)測(cè)Na/K離子電極電壓的性能

Accurate Prediction of Voltage of Battery Electrode Materials Using Attention-Based Graph Neural Networks, ACS Applied Materials & Interfaces 2022. DOI: 10.1021/acsami.2c00029

原創(chuàng)文章，作者：v-suan，如若轉(zhuǎn)載，請(qǐng)注明來源華算科技，注明出處：http://m.zzhhcy.com/index.php/2023/10/08/dc7e79af21/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

南卡大學(xué)胡建軍ACS AMI：圖神經(jīng)網(wǎng)絡(luò)準(zhǔn)確預(yù)測(cè)電極材料電壓

相關(guān)推薦