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

• Equivariant Graph Network Approximations of High-Degree Polynomials for Force Field Prediction [62.05532524197309]
  同変深部モデルでは、分子動力学シミュレーションにおいて原子ポテンシャルと力場を正確に予測できることが示されている。 本研究では、同変アーキテクチャの同変関数を解析し、PACEと呼ばれる新しい同変ネットワークを導入する。 一般的なベンチマークで実験されたように、PACEは原子エネルギーと力場の予測における最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-11-06T19:34:40Z)
• Reinforcement Feature Transformation for Polymer Property Performance Prediction [22.87577374767465]
  既存の機械学習モデルは、低品質のポリマーデータセットによるポリマー表現を効果的に学習する際の課題に直面している。 本研究は, 最適かつ説明可能な記述子表現空間を再構築することにより, 高分子特性性能予測タスクの改善に焦点をあてる。
  論文  参考訳（メタデータ） (2024-09-23T23:42:18Z)
• Efficient Materials Informatics between Rockets and Electrons [0.0]
  この論文は、超高温耐火高エントロピー合金(RHEA)を組み込んだ機能性グレード材料(FGM)の設計に焦点を当てている。 原子レベルでは、MPDDと呼ばれる450万以上の緩和された構造から機械学習(ML)に最適化されたデータエコシステムが、実験的な観察を知らせ、熱力学モデルを改善するために使用される。 結果として生じるマルチレベル発見インフラストラクチャは、既存のソリューションを探すのではなく、問題のエンコーディングに重点を置いているため、非常に一般化可能である。
  論文  参考訳（メタデータ） (2024-07-05T17:03:26Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• 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)
• 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。