論文の概要: Autonomous discovery in the chemical sciences part I: Progress

• arxiv url: http://arxiv.org/abs/2003.13754v1
• Date: Mon, 30 Mar 2020 19:11:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 07:08:26.053318
• Title: Autonomous discovery in the chemical sciences part I: Progress
• Title（参考訳）: 化学科学における自律的発見 その1:進歩
• Authors: Connor W. Coley, Natalie S. Eyke, Klavs F. Jensen
• Abstract要約: この2部構成のレビューは、自動化が化学科学における発見のさまざまな側面にどのように貢献したかを検証している。 まず,物理物質の発見の分類と,それらが探索問題として一体化されているかについて述べる。 次に、自律性の評価に関する一連の質問と考察を紹介します。
• 参考スコア（独自算出の注目度）: 2.566673015346446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This two-part review examines how automation has contributed to different aspects of discovery in the chemical sciences. In this first part, we describe a classification for discoveries of physical matter (molecules, materials, devices), processes, and models and how they are unified as search problems. We then introduce a set of questions and considerations relevant to assessing the extent of autonomy. Finally, we describe many case studies of discoveries accelerated by or resulting from computer assistance and automation from the domains of synthetic chemistry, drug discovery, inorganic chemistry, and materials science. These illustrate how rapid advancements in hardware automation and machine learning continue to transform the nature of experimentation and modelling. Part two reflects on these case studies and identifies a set of open challenges for the field.
• Abstract（参考訳）: この2部レビューでは、自動化が化学科学における発見のさまざまな側面にどのように貢献したかを検証している。 第1部では,物理物(分子,材料,デバイス),プロセス,モデルの発見の分類と,それらがどのように検索問題として統一されるかについて述べる。 次に、自律性の程度を評価するための一連の質問と考察を紹介する。 最後に, 合成化学, 創薬, 無機化学, 材料科学の領域において, コンピュータ支援や自動化によって加速された発見に関する多くのケーススタディについて述べる。 これらは、ハードウェア自動化と機械学習の急速な進歩が、実験とモデリングの性質をいかに変え続けるかを示している。 パート2は、これらのケーススタディを反映し、フィールドに対するオープンな課題のセットを特定します。

関連論文リスト

• Spiers Memorial Lecture: How to do impactful research in artificial intelligence for chemistry and materials science [1.7172216435186003]
  まず、化学における様々な問題にまたがる現在の応用について概説する。 次に、機械学習研究者が現場の問題をどう捉え、どのようにアプローチするかについて議論する。 最後に,化学における機械学習研究における影響の最大化について考察する。
  論文  参考訳（メタデータ） (2024-09-16T14:10:38Z)
• Automating the Practice of Science -- Opportunities, Challenges, and Implications [48.54225838534946]
  本稿では、科学的実践における自動化のスコープを評価し、最近のアプローチを評価する。 自動科学の背景にあるモチベーションについて議論し、遭遇したハードルを分析し、その影響を調査し、この記事では、研究者、政策立案者、ステークホルダーに、自動化科学の実践のフロンティアをナビゲートするよう依頼する。
  論文  参考訳（メタデータ） (2024-08-27T15:51:31Z)
• Discovering Sensorimotor Agency in Cellular Automata using Diversity Search [17.898087201326483]
  細胞性オートマトン (CA) では、自己組織する環境ルールを見つけることができるかどうかが重要視されている。 このアプローチは, 自己組織化につながるCAの環境条件を系統的に把握する上で有効であることを示す。 発見されたエージェントは驚くほど頑丈で、動き、身体の整合性を維持し、さまざまな障害をナビゲートする能力を持っている。
  論文  参考訳（メタデータ） (2024-02-14T14:30:42Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems [268.585904751315]
  科学のためのAI(AI4Science)として知られる新しい研究領域 領域は、物理世界(波動関数と電子密度)、原子(分子、タンパク質、物質、相互作用)、マクロ(流体、気候、地下)まで理解することを目的としている。 主要な課題は、物理第一原理、特に対称性を深層学習法によって自然システムで捉える方法である。
  論文  参考訳（メタデータ） (2023-07-17T12:14:14Z)
• Symmetry-Informed Geometric Representation for Molecules, Proteins, and Crystalline Materials [66.14337835284628]
  幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。 Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
  論文  参考訳（メタデータ） (2023-06-15T05:37:25Z)
• Maximizing information from chemical engineering data sets: Applications to machine learning [61.442473332320176]
  化学工学の応用において、古典的な人工知能のアプローチを適用するのが難しくなる4つの特徴を同定する。 それぞれのデータ特性について、これらのデータ特性が生じるアプリケーションについて論じ、現在の化学工学研究が、これらの課題を組み込むために、データサイエンスと機械学習の分野をどのように拡張しているかを示す。
  論文  参考訳（メタデータ） (2022-01-25T01:25:45Z)
• Scientific intuition inspired by machine learning generated hypotheses [2.294014185517203]
  私たちは、機械学習モデル自体が得る洞察と知識に焦点を移します。 決定木では, 化学や物理から, ビッグデータから人間の解釈可能な洞察を抽出するために, 勾配増進法を適用した。 数値を超える能力は、機械学習を使って概念理解の発見を加速する扉を開く。
  論文  参考訳（メタデータ） (2020-10-27T12:12:12Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)
• Machine learning for electronically excited states of molecules [0.0]
  電子的に励起された分子状態は、光化学、光物理学、および光生物学の中心にある。 本稿では、励起状態シミュレーションを高速化するために機械学習がどのように使用されるかに焦点を当てる。
  論文  参考訳（メタデータ） (2020-07-10T11:42:29Z)
• Autonomous discovery in the chemical sciences part II: Outlook [2.566673015346446]
  この2部構成のレビューは、自動化が化学科学における発見のさまざまな側面にどのように貢献したかを検証している。 科学プロセスにおいて、自動化と計算の役割が何であるかを明確にすることがますます重要である。
  論文  参考訳（メタデータ） (2020-03-30T19:11:35Z)

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。