論文の概要: Interpretable discovery of new semiconductors with machine learning
- arxiv url: http://arxiv.org/abs/2101.04383v1
- Date: Tue, 12 Jan 2021 10:23:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 01:35:04.735393
- Title: Interpretable discovery of new semiconductors with machine learning
- Title（参考訳）: 機械学習による新しい半導体の解釈可能な発見
- Authors: Hitarth Choubisa (1), Petar Todorovi\'c (1), Joao M. Pina (1), Darshan
H. Parmar (1), Ziliang Li (1), Oleksandr Voznyy (4), Isaac Tamblyn (2,3),
Edward Sargent (1) ((1) Department of Electrical and Computer Engineering,
University of Toronto, Toronto, ON, Canada, (2) National Research Council of
Canada, Ottawa, ON, Canada, (3) Vector Institute for Artificial Intelligence,
Toronto, ON, Canada, (4) Department of Physical and Environmental Sciences,
University of Toronto, Scarborough, ON, Canada)
- Abstract要約: DARWIN(Deep Adaptive Regressive Weighted Intelligent Network)という実験バンドギャップに対してベンチマークされたハイブリッド機能的DFTデータに基づいて訓練されたマシンラーニングサロゲートモデルを用いた進化的アルゴリズムによる探索を報告する。
この戦略は、対象特性を持つ候補に対して、10$8$3aryと10$11$4ternaries$7$の材料空間の効率的な探索を可能にする。
- 参考スコア（独自算出の注目度）: 10.09604500193621
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine learning models of materials$^{1-5}$ accelerate discovery compared to
ab initio methods: deep learning models now reproduce density functional theory
(DFT)-calculated results at one hundred thousandths of the cost of DFT$^{6}$.
To provide guidance in experimental materials synthesis, these need to be
coupled with an accurate yet effective search algorithm and training data
consistent with experimental observations. Here we report an evolutionary
algorithm powered search which uses machine-learned surrogate models trained on
high-throughput hybrid functional DFT data benchmarked against experimental
bandgaps: Deep Adaptive Regressive Weighted Intelligent Network (DARWIN). The
strategy enables efficient search over the materials space of ~10$^8$ ternaries
and 10$^{11}$ quaternaries$^{7}$ for candidates with target properties. It
provides interpretable design rules, such as our finding that the difference in
the electronegativity between the halide and B-site cation being a strong
predictor of ternary structural stability. As an example, when we seek UV
emission, DARWIN predicts K$_2$CuX$_3$ (X = Cl, Br) as a promising materials
family, based on its electronegativity difference. We synthesized and found
these materials to be stable, direct bandgap UV emitters. The approach also
allows knowledge distillation for use by humans.
- Abstract（参考訳）: ディープラーニングモデルは、密度汎関数理論(DFT)で計算された結果を、DFT$^{6}$のコストの10万分の1で再現する。
実験材料合成におけるガイダンスを提供するには, 正確かつ効果的な探索アルゴリズムと, 実験観測と整合したトレーニングデータを組み合わせる必要がある。
本稿では,Deep Adaptive Regressive Weighted Intelligent Network (DARWIN) を用いて,高スループットハイブリッドDFTデータに基づいて学習したマシン学習サロゲートモデルを用いた進化的アルゴリズムを報告する。
この戦略は、対象特性を持つ候補に対して、10$^8$三元および10$^{11}$四元数$^{7}$の材料空間の効率的な探索を可能にする。
ハロゲン化物とBサイトカチオンの電気陰性度の違いが3次構造安定性の強い予測因子であることの発見など、解釈可能な設計規則を提供する。
例えば、紫外線放射を求めるとき、DARWINはその電子陰性率差に基づいて、K$_2$CuX$_3$ (X = Cl, Br) を有望な物質族として予測する。
我々はこれらの物質を、安定で直接バンドギャップUVエミッタとして合成し、発見した。
このアプローチは、人間が使用する知識蒸留も可能にする。
関連論文リスト
- Accelerating superconductor discovery through tempered deep learning of
the electron-phonon spectral function [0.0]
深層学習モデルを用いて電子フォノンスペクトル関数, $alpha2F(omega)$を予測する。
次に、サイトが提案するフォノン密度状態のドメイン知識を組み込んで、モデルのノード属性に帰納バイアスを課し、予測を強化する。
この方法の革新は、MAEを0.18、29K、28Kに減少させ、それぞれ2.1KのMAEを$T_c$とする。
論文 参考訳（メタデータ） (2024-01-29T22:44:28Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳（メタデータ） (2023-06-15T16:30:08Z) - Robust Learning with Progressive Data Expansion Against Spurious
Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。
分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。
本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-08T05:44:06Z) - Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。
最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。
我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文 参考訳（メタデータ） (2023-06-05T04:34:54Z) - ALMERIA: Boosting pairwise molecular contrasts with scalable methods [0.0]
ALMERIAは、一対の分子コントラストに基づく化合物の類似性と活性予測を推定するためのツールである。
大量のデータを利用するスケーラブルなソフトウェアと手法を使って実装されている。
分子活性予測の最先端性能を示す実験を行った。
論文 参考訳（メタデータ） (2023-04-28T16:27:06Z) - NeuralNEB -- Neural Networks can find Reaction Paths Fast [7.7365628406567675]
密度汎関数理論 (DFT) のような量子力学的手法は、反応系の運動学を研究するための効率的な探索アルゴリズムと共に大きな成功を収めている。
機械学習(ML)モデルは、小さな分子DFT計算の優れたエミュレータであることが判明し、そのようなタスクでDFTを置き換える可能性がある。
本稿では、Transition1xデータセットから約10万の初等反応に基づいて、アート同変グラフニューラルネットワーク(GNN)に基づくモデルの状態を訓練する。
論文 参考訳（メタデータ） (2022-07-20T15:29:45Z) - Deep metric learning improves lab of origin prediction of genetically
engineered plasmids [63.05016513788047]
遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。
本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。
我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
論文 参考訳（メタデータ） (2021-11-24T16:29:03Z) - MuCoMiD: A Multitask Convolutional Learning Framework for miRNA-Disease
Association Prediction [0.4061135251278187]
本稿では, MuCoMiD と呼ぶ新しいマルチタスク畳み込み方式を提案する。
MuCoMiDは、4つの異種生物情報ソースからの知識を取り入れつつ、自動特徴抽出を可能にする。
我々は、標準ベンチマークデータセットに関する大規模な実験と、より大規模な独立したテストセットとケーススタディを構築した。
MuCoMiDは、HMDDv2.0とHMDDv3.0データセットで5倍のCV評価を少なくとも5%改善し、最先端のアプローチよりも、目に見えない病気や目に見えない病気を持つ大規模独立テストセットで少なくとも49%改善した。
論文 参考訳（メタデータ） (2021-08-08T10:01:46Z) - Brain Image Synthesis with Unsupervised Multivariate Canonical
CSC$\ell_4$Net [122.8907826672382]
我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
論文 参考訳（メタデータ） (2021-03-22T05:19:40Z) - Active learning based generative design for the discovery of wide
bandgap materials [6.5175897155391755]
本論文では, アクティブ学習と, 深変量オートエンコーダニューラルネットワークと, ジェネレーション対向型ディープニューラルネットワークモデルを組み合わせた, アクティブジェネレーション逆設計手法を提案する。
この手法の応用により、高バンドギャップを有する新しい熱力学的に安定な材料と、特定のバンドギャップ範囲の半導体を発見できる。
本実験は, 能動学習自体が化学的に不可能な候補を抽出するのに対して, これらのサンプルは, 生成モデルが生成する仮説材料から望ましい特性を持つ材料をフィルタリングする効果的なスクリーニングモデルを訓練するのに有効であることを示した。
論文 参考訳（メタデータ） (2021-02-28T20:15:23Z)
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。