論文の概要: Polymers for Extreme Conditions Designed Using Syntax-Directed
Variational Autoencoders
- arxiv url: http://arxiv.org/abs/2011.02551v1
- Date: Wed, 4 Nov 2020 21:36:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 23:06:46.574055
- Title: Polymers for Extreme Conditions Designed Using Syntax-Directed
Variational Autoencoders
- Title(参考訳): 構文指向型変分オートエンコーダを用いた極限条件用ポリマー
- Authors: Rohit Batra, Hanjun Dai, Tran Doan Huan, Lihua Chen, Chiho Kim, Will
R. Gutekunst, Le Song, Rampi Ramprasad
- Abstract要約: 現在、機械学習ツールは、望まれる特性を持つ材料候補を事実上スクリーニングするために使用される。
このアプローチは非効率であり、人間の想像力が知覚できる候補によって厳しく制約されている。
文法指向の変分オートエンコーダ(VAE)とガウス過程回帰(GPR)モデルを用いて、3つの極端な条件下で頑健なポリマーを発見する。
- 参考スコア(独自算出の注目度): 53.34780987686359
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The design/discovery of new materials is highly non-trivial owing to the
near-infinite possibilities of material candidates, and multiple required
property/performance objectives. Thus, machine learning tools are now commonly
employed to virtually screen material candidates with desired properties by
learning a theoretical mapping from material-to-property space, referred to as
the \emph{forward} problem. However, this approach is inefficient, and severely
constrained by the candidates that human imagination can conceive. Thus, in
this work on polymers, we tackle the materials discovery challenge by solving
the \emph{inverse} problem: directly generating candidates that satisfy desired
property/performance objectives. We utilize syntax-directed variational
autoencoders (VAE) in tandem with Gaussian process regression (GPR) models to
discover polymers expected to be robust under three extreme conditions: (1)
high temperatures, (2) high electric field, and (3) high temperature \emph{and}
high electric field, useful for critical structural, electrical and energy
storage applications. This approach to learn from (and augment) human ingenuity
is general, and can be extended to discover polymers with other targeted
properties and performance measures.
- Abstract(参考訳): 新しい材料の設計と発見は、材料候補のほぼ無限の可能性と、要求される複数の特性と性能の目的のため、非常に非自明である。
したがって、現在機械学習ツールは、物質対プロパティ空間から理論写像を学習することで、望まれる特性を持つ物質候補を事実上スクリーニングするために用いられる。
しかし、このアプローチは非効率であり、人間の想像力が想像できる候補によって厳しく制約されている。
そこで,本研究では,所望の特性/性能の目的を満たす候補を直接生成する「emph{inverse}」問題を解くことで,材料発見の課題に取り組む。
本研究では,(1)高温,(2)高電場,(3)高温<emph{and}高電場,(3)臨界構造,電気・エネルギー貯蔵用途に有用な3つの極端条件下で頑健なポリマーを発見するために,ガウス過程回帰(GPR)モデルを用いて,構文指向の変分オートエンコーダ(VAE)をタンデムで利用した。
人間の創造性から学ぶ(そして強化する)このアプローチは一般に一般的であり、他の標的特性や性能指標を持つポリマーを発見するために拡張することができる。
関連論文リスト
- Transferring a molecular foundation model for polymer property
predictions [3.067983186439152]
トランスモデルの自己教師付き事前トレーニングには、大規模なデータセットが必要である。
本研究では, 高分子特性を微調整し, 小分子で事前学習したトランスフォーマーを用いることで, 強化ポリマーデータセットでトレーニングしたトランスフォーマーと同等の精度が得られることを示す。
論文 参考訳(メタデータ) (2023-10-25T19:55:00Z) - Metaheuristic Algorithms in Artificial Intelligence with Applications to
Bioinformatics, Biostatistics, Ecology and, the Manufacturing Industries [13.834685397644357]
我々は,CSO-MAを用いた競合Swarmという,自然に着想を得たメタヒューリスティックアルゴリズムを新たに提案する。
アルゴリズムは効率的で,様々なコスト構造やユーザ指定の非線形制約を組み込むことができる。
特に、アルゴリズムは効率的であり、様々なコスト構造や複数のユーザ指定非線形制約を組み込むことができる。
論文 参考訳(メタデータ) (2023-08-08T16:41:33Z) - When does deep learning fail and how to tackle it? A critical analysis
on polymer sequence-property surrogate models [1.0152838128195467]
ディープラーニングモデルは、高分子特性の予測において人気と有効性を高めている。
これらのモデルは、既存のデータを用いて構築することができ、ポリマー特性の迅速な予測に有用である。
しかし,ディープラーニングモデルの性能は,そのトポロジやトレーニングデータの量と密接に関連している。
論文 参考訳(メタデータ) (2022-10-12T23:04:10Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Modelling Arbitrary Complex Dielectric Properties -- an automated
implementation for gprMax [0.0]
本稿では,Google Summer of Code(GSoC)プログラム2021の一環として実施された新しいモジュールの開発について述べる。
マルチデバイ展開を用いて、複雑な分散材料を自動でシミュレートすることができる。
論文 参考訳(メタデータ) (2021-09-04T20:39:31Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z) - A Reinforcement Learning Environment for Polyhedral Optimizations [68.8204255655161]
マルコフ決定過程(MDP)として多面体モデルにおける法的変換空間の形状に依存しない定式化を提案する。
変換を使う代わりに、定式化は可能なスケジュールの抽象空間に基づいている。
我々の総合的MDP定式化は、強化学習を用いて幅広いループで最適化ポリシーを学習することを可能にする。
論文 参考訳(メタデータ) (2021-04-28T12:41:52Z) - Learning Discrete Energy-based Models via Auxiliary-variable Local
Exploration [130.89746032163106]
離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。
エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。
本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
論文 参考訳(メタデータ) (2020-11-10T19:31:29Z) - Polymer Informatics: Current Status and Critical Next Steps [1.3238373064156097]
サロゲートモデルは、インスタントプロパティ予測のために利用可能なポリマーデータに基づいて訓練される。
データ駆動型戦略は, 高分子の化学的, 物理的多様性から生じる特異な課題に, 小規模かつ大規模に対処するものである。
アプリケーションターゲットを満たす高度なAIアルゴリズムを用いて, 高分子レコメンデーションを行う逆問題の解法について検討している。
論文 参考訳(メタデータ) (2020-11-01T14:17:22Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳(メタデータ) (2020-10-05T20:03:13Z)
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。