論文の概要: Ensemble learning reveals dissimilarity between rare-earth transition metal binary alloys with respect to the Curie temperature

• arxiv url: http://arxiv.org/abs/2008.08818v1
• Date: Thu, 20 Aug 2020 07:46:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 03:14:48.855395
• Title: Ensemble learning reveals dissimilarity between rare-earth transition metal binary alloys with respect to the Curie temperature
• Title（参考訳）: アンサンブル学習はキュリー温度に対する希土類遷移金属二元合金の相違を明らかにする
• Authors: Duong-Nguyen Nguyen, Tien-Lam Pham, Viet-Cuong Nguyen, Hiori Kino, Takashi Miyake, Hieu-Chi Dam
• Abstract要約: 本研究では,材料間の相違点を抽出するデータ駆動方式を提案する。 提案手法は,データ構造をより深く理解するための潜在的なツールとみなすことができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a data-driven method to extract dissimilarity between materials, with respect to a given target physical property. The technique is based on an ensemble method with Kernel ridge regression as the predicting model; multiple random subset sampling of the materials is done to generate prediction models and the corresponding contributions of the reference training materials in detail. The distribution of the predicted values for each material can be approximated by a Gaussian mixture model. The reference training materials contributed to the prediction model that accurately predicts the physical property value of a specific material, are considered to be similar to that material, or vice versa. Evaluations using synthesized data demonstrate that the proposed method can effectively measure the dissimilarity between data instances. An application of the analysis method on the data of Curie temperature (TC) of binary 3d transition metal 4f rare earth binary alloys also reveals meaningful results on the relations between the materials. The proposed method can be considered as a potential tool for obtaining a deeper understanding of the structure of data, with respect to a target property, in particular.
• Abstract（参考訳）: 対象の物理的性質に関して,材料間の相似性を抽出するためのデータ駆動法を提案する。 この手法はカーネルリッジ回帰を予測モデルとするアンサンブル法に基づいており、材料の複数ランダムサブセットサンプリングを行い、予測モデルとそれに対応する基準トレーニング材料の貢献を詳細に生成する。 各材料に対する予測値の分布はガウス混合モデルにより近似することができる。 特定の材料の物性値を正確に予測する予測モデルに寄与する基準訓練材料は、その材料と類似しているか、あるいはその逆であると考えられる。 合成データを用いた評価は,データインスタンス間の相違性を効果的に測定できることを示す。 二元系3次元遷移金属4f希土類二元合金のキュリー温度(tc)データ解析法の適用により、材料間の関係について有意義な結果が得られた。 提案手法は,特に対象特性について,データ構造をより深く理解するための潜在的ツールとして考えられる。

関連論文リスト

• Data-efficient and Interpretable Inverse Materials Design using a Disentangled Variational Autoencoder [2.563209727695243]
  逆材料設計は、新しい物質発見の加速に成功している。 多くの逆材料設計法では、教材表現のコンパクトな記述を提供するために潜在空間を学習する教師なし学習を用いる。 本稿では,不整合変分オートエンコーダをベースとした半教師付き学習手法を提案し,特徴,潜伏変数,対象特性の確率的関係を学習する。
  論文  参考訳（メタデータ） (2024-09-10T02:21:13Z)
• Balancing Molecular Information and Empirical Data in the Prediction of Physico-Chemical Properties [8.649679686652648]
  本稿では,分子記述子と表現学習を組み合わせた一般的な手法を提案する。 提案したハイブリッドモデルは,グラフニューラルネットワークを用いた化学構造情報を利用する。 構造に基づく予測が信頼できない場合を自動的に検出し、表現学習に基づく予測によって修正する。
  論文  参考訳（メタデータ） (2024-06-12T10:51:00Z)
• Bridging the Semantic-Numerical Gap: A Numerical Reasoning Method of Cross-modal Knowledge Graph for Material Property Prediction [9.90391870104378]
  意味ノードと数値プロキシノードを用いたクロスモーダルKGを構成する材料KG(NR-KG)の数値推論法を提案する。 KGを標準KGに投影することで、両方のタイプの情報をキャプチャし、グラフニューラルネットワークを使用して材料特性を予測する。 NR-KGは最先端のSOTA(State-of-the-art)法より優れており、2つの材料データセットに対して25.9%と16.1%の相対的な改善を達成している。
  論文  参考訳（メタデータ） (2023-12-15T12:31:35Z)
• Alchemist: Parametric Control of Material Properties with Diffusion Models [51.63031820280475]
  本手法は,フォトリアリズムで知られているテキスト・イメージ・モデルの生成先行に乗じる。 我々は,NeRFの材料化へのモデルの適用の可能性を示す。
  論文  参考訳（メタデータ） (2023-12-05T18:58:26Z)
• On the Properties and Estimation of Pointwise Mutual Information Profiles [49.877314063833296]
  ポイントワイド相互情報プロファイル(ポイントワイド相互情報プロファイル、英: pointwise mutual information profile)は、与えられた確率変数のペアに対するポイントワイド相互情報の分布である。 そこで我々は,モンテカルロ法を用いて分布を正確に推定できる新しい分布系 Bend と Mix Models を導入する。
  論文  参考訳（メタデータ） (2023-10-16T10:02:24Z)
• Accurate melting point prediction through autonomous physics-informed learning [52.217497897835344]
  NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。 固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
  論文  参考訳（メタデータ） (2023-06-23T07:53:09Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• A machine learning approach to predict the structural and magnetic properties of Heusler alloy families [0.0]
  ランダムフォレスト (RF) 回帰モデルを用いてフルハウスラー合金の格子定数, 磁気モーメント, 生成エネルギーを予測する。 密度汎関数理論(DFT)を用いた計算値に対する機械学習予測値間のパリティプロットは、調整されたR2値が0.80から0.94の範囲にある線形挙動を示す。 また,1つのフルハウスラー合金と1つの4次ハウスラー合金を用いたケーススタディを,機械学習予測結果と過去の理論計算値と比較した。
  論文  参考訳（メタデータ） (2022-08-07T20:46:57Z)
• A Machine Learning Method for Material Property Prediction: Example Polymer Compatibility [39.364776649251944]
  材料特性予測のための新しい汎用機械学習手法を提案する。 代表的な例として, 本手法の有効性を示すために, ポリマーの適合性を選択する。
  論文  参考訳（メタデータ） (2022-02-28T05:48:05Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)

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。