論文の概要: Autonomous Materials Discovery Driven by Gaussian Process Regression
with Inhomogeneous Measurement Noise and Anisotropic Kernels
- arxiv url: http://arxiv.org/abs/2006.02489v1
- Date: Wed, 3 Jun 2020 19:18:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 18:20:35.876863
- Title: Autonomous Materials Discovery Driven by Gaussian Process Regression
with Inhomogeneous Measurement Noise and Anisotropic Kernels
- Title（参考訳）: 非均一な計測ノイズと異方性カーネルによるガウス過程回帰による自律材料発見
- Authors: Marcus M. Noack, Gregory S. Doerk, Ruipeng Li, Jason K. Streit,
Richard A. Vaia, Kevin G. Yager, Masafumi Fukuto
- Abstract要約: 実験分野の大半は、新しい科学的発見を探すために、大規模で高次元のパラメータ空間を探索するという課題に直面している。
近年の進歩により、探査プロセスの自動化が進み、材料発見の効率が向上した。
ガンマプロセス回帰(GPR)技術は多くの種類の実験を操る方法として登場した。
- 参考スコア（独自算出の注目度）: 1.976226676686868
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A majority of experimental disciplines face the challenge of exploring large
and high-dimensional parameter spaces in search of new scientific discoveries.
Materials science is no exception; the wide variety of synthesis, processing,
and environmental conditions that influence material properties gives rise to
particularly vast parameter spaces. Recent advances have led to an increase in
efficiency of materials discovery by increasingly automating the exploration
processes. Methods for autonomous experimentation have become more
sophisticated recently, allowing for multi-dimensional parameter spaces to be
explored efficiently and with minimal human intervention, thereby liberating
the scientists to focus on interpretations and big-picture decisions. Gaussian
process regression (GPR) techniques have emerged as the method of choice for
steering many classes of experiments. We have recently demonstrated the
positive impact of GPR-driven decision-making algorithms on autonomously
steering experiments at a synchrotron beamline. However, due to the complexity
of the experiments, GPR often cannot be used in its most basic form, but rather
has to be tuned to account for the special requirements of the experiments. Two
requirements seem to be of particular importance, namely inhomogeneous
measurement noise (input dependent or non-i.i.d.) and anisotropic kernel
functions, which are the two concepts that we tackle in this paper. Our
synthetic and experimental tests demonstrate the importance of both concepts
for experiments in materials science and the benefits that result from
including them in the autonomous decision-making process.
- Abstract（参考訳）: 実験分野の大半は、新しい科学的発見を探すために大規模で高次元のパラメータ空間を探索するという課題に直面している。
材料科学は例外ではなく、物質の性質に影響を与える様々な合成、加工、環境条件が特に広大なパラメータ空間を生み出している。
近年の進歩により、探査プロセスの自動化が進み、材料発見の効率が向上した。
近年、自律実験の手法はより洗練され、多次元のパラメータ空間を人間の介入を最小限に抑え、解釈や大局的な決定に注目する科学者を解放した。
ガウス過程回帰(GPR)技術は多くの実験のクラスを操る方法として登場した。
我々は最近,GPR駆動による意思決定アルゴリズムがシンクロトロンビームラインでの自律的操舵実験に与える影響を実証した。
しかしながら、実験の複雑さのため、GPRは最も基本的な形では使用できないことが多いが、実験の特別な要件を考慮に入れなければならない。
非均質な測定ノイズ(入力依存性または非i.i.d.)と異方性核関数という2つの要求が特に重要であるように思われる。
総合的および実験的なテストは,材料科学における実験における概念と,自律的意思決定プロセスにそれらを含めることによるメリットの両方の重要性を実証する。
関連論文リスト
- Targeted Sequential Indirect Experiment Design [4.262342157729123]
仮説は、複雑な、不完全な理解、または完全に未知のメカニズムの特定の側面を懸念する。
実験は目的とする変数を直接的に行うことはできないが、間接的である。
提案手法は,目的とする質問に対して,真理のメカニズムを最適に通知する間接的な実験を設計するための適応的戦略を開発する。
論文 参考訳（メタデータ） (2024-05-30T12:14:25Z) - LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。
本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。
法発見と分子設計における枠組みの有効性を実証するための実験を行った。
論文 参考訳（メタデータ） (2024-05-16T03:04:10Z) - MLXP: A Framework for Conducting Replicable Experiments in Python [63.37350735954699]
MLXPはPythonをベースとした,オープンソースの,シンプルで,軽量な実験管理ツールである。
実験プロセスを最小限のオーバーヘッドで合理化し、高いレベルの実践的オーバーヘッドを確保します。
論文 参考訳（メタデータ） (2024-02-21T14:22:20Z) - 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) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Pitfalls in Experiments with DNN4SE: An Analysis of the State of the
Practice [0.7614628596146599]
我々は、ソフトウェアエンジニアリングのプレミア会場で発行された55の論文に現れるディープニューラルネットワークに依存する技術を用いて、194の実験を行い、マッピング研究を実施します。
以上の結果から,ACMアーティファクトバッジを受信した者を含む実験の大部分が,その信頼性に疑問を呈する根本的な限界があることが判明した。
論文 参考訳（メタデータ） (2023-05-19T09:55:48Z) - Applications of Gaussian Processes at Extreme Lengthscales: From
Molecules to Black Holes [4.18804572788063]
この論文は、ケイファート銀河のマカリアン335からの潜伏放出のサインを推論するためにGPモデリングを使用することを目的としている。
第2の貢献はGPフレームワークを分子および化学反応表現に拡張し、このフレームワークを科学者が使えるようにするためのオープンソースソフトウェアライブラリを提供することである。
第4の貢献は、アレタリック不確実性をモデル化し、本質的なロバスト性を有する材料成分の大規模製造プロセスへの同定を容易にするベイズ最適化スキームの導入である。
論文 参考訳（メタデータ） (2023-03-24T22:20:14Z) - GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。
GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。
我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
論文 参考訳（メタデータ） (2023-02-01T17:29:43Z) - Active learning-assisted neutron spectroscopy with log-Gaussian
processes [0.0]
多くの科学的問題は、手動で行うと時間がかかり非効率な信号を探す必要がある。
ここでは,確率論的能動的学習手法について述べる。これは,自律的に実行されるだけでなく,情報的測定のための場所を直接提供することができる。
結果として得られる利点は、実際のTAS実験と、多数の異なる励起を含むベンチマークで実証することができる。
論文 参考訳（メタデータ） (2022-09-02T12:20:52Z) - Active Exploration via Experiment Design in Markov Chains [86.41407938210193]
科学と工学における重要な課題は、未知の量の興味について学ぶために実験を設計することである。
本稿では,最適値に収束したポリシを効率的に選択するアルゴリズムを提案する。
理論分析に加えて,生態モニタリングと薬理学の応用に関する枠組みを概説する。
論文 参考訳（メタデータ） (2022-06-29T00:04:40Z)
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。