論文の概要: Active learning based generative design for the discovery of wide bandgap materials

• arxiv url: http://arxiv.org/abs/2103.00608v1
• Date: Sun, 28 Feb 2021 20:15:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-04 05:17:48.633292
• Title: Active learning based generative design for the discovery of wide bandgap materials
• Title（参考訳）: 能動学習に基づく広帯域材料発見のための生成設計
• Authors: Rui Xin, Edirisuriya M. D. Siriwardane, Yuqi Song, Yong Zhao, Steph-Yves Louis, Alireza Nasiri, Jianjun Hu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.5175897155391755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active learning has been increasingly applied to screening functional materials from existing materials databases with desired properties. However, the number of known materials deposited in the popular materials databases such as ICSD and Materials Project is extremely limited and consists of just a tiny portion of the vast chemical design space. Herein we present an active generative inverse design method that combines active learning with a deep variational autoencoder neural network and a generative adversarial deep neural network model to discover new materials with a target property in the whole chemical design space. The application of this method has allowed us to discover new thermodynamically stable materials with high band gap (SrYF$_5$) and semiconductors with specified band gap ranges (SrClF$_3$, CaClF$_5$, YCl$_3$, SrC$_2$F$_3$, AlSCl, As$_2$O$_3$), all of which are verified by the first principle DFT calculations. Our experiments show that while active learning itself may sample chemically infeasible candidates, these samples help to train effective screening models for filtering out materials with desired properties from the hypothetical materials created by the generative model. The experiments show the effectiveness of our active generative inverse design approach.
• Abstract（参考訳）: アクティブラーニングは、所望の特性を持つ既存の材料データベースから機能材料のスクリーニングにますます応用されている。 しかし、icdやmaterials projectのような一般的な材料データベースに蓄積されている既知の材料の数は極めて限られており、広大な化学設計スペースのほんの一部に過ぎない。 本論文では,化学設計空間全体におけるターゲット特性を有する新しい材料を探索するために,アクティブラーニングと深変量オートエンコーダニューラルネットワークと生成対比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ティブ逆設計手法を提案する。 この方法の適用により、高バンドギャップ(SrYF$_5$)と指定されたバンドギャップ範囲(SrClF$_3$、CaClF$_5$、YCl$_3$、SrC$_2$F$_3$、AlSCl、As$_2$O$_3$)の半導体を持つ新しい熱力学的に安定した材料を発見することができました。 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。 実験では, アクティブ生成型逆設計手法の有効性を示す。

関連論文リスト

• MF-LAL: Drug Compound Generation Using Multi-Fidelity Latent Space Active Learning [16.48834281521776]
  MF-LAL (Multi-Fidelity Latent space Active Learning) は、様々なコスト・精度のトレードオフを持つオラクルの集合を統合する生成モデリングフレームワークである。 MF-LALは, 結合自由エネルギーのスコアが, 他の単一および多忠実なアプローチよりも有意に優れた化合物を産生することを示した。
  論文  参考訳（メタデータ） (2024-10-15T03:15:05Z)
• Not All Diffusion Model Activations Have Been Evaluated as Discriminative Features [115.33889811527533]
  拡散モデルは当初、画像生成のために設計されている。 近年の研究では、バックボーンの内部シグナルはアクティベーションと呼ばれ、様々な識別タスクの高密度な特徴として機能することが示されている。
  論文  参考訳（メタデータ） (2024-10-04T16:05:14Z)
• 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)
• Data Distillation for Neural Network Potentials toward Foundational Dataset [6.373914211316965]
  生成モデルは 迅速に 対象のアプリケーションに 有望な材料を提案できる しかし、生成モデルによる材料の予測特性は、アブイニシアト計算によって計算された性質と一致しないことが多い。 本研究は, 拡張アンサンブル分子動力学(MD)を用いて, 金属系, ニッケル中の液相および固相の幅広い構成を確保した。 蒸留データからトレーニングしたNNPは,これらの構造が初期データの一部ではないにもかかわらず,異なるエネルギー最小化クローズパック結晶構造を予測できることがわかった。
  論文  参考訳（メタデータ） (2023-11-09T14:41:45Z)
• Tyger: Task-Type-Generic Active Learning for Molecular Property Prediction [121.97742787439546]
  分子の性質を正確に予測する方法は、AIによる薬物発見において重要な問題である。 アノテーションのコストを削減するため,注釈付けのための最も代表的で情報性の高いデータのみを選択するために,深層能動学習法が開発された。 本稿では,異なるタイプの学習タスクを統一的に処理できるタスク型汎用能動的学習フレームワーク(Tyger)を提案する。
  論文  参考訳（メタデータ） (2022-05-23T12:56:12Z)
• Benchmarking Active Learning Strategies for Materials Optimization and Discovery [17.8738267360992]
  本稿では,様々な獲得関数の形で,アクティブな学習戦略をベンチマークするための参照データセットを提案する。 本稿では,アルゴリズムの性能,材料探索空間,複雑さ,事前知識の具体化との関係について論じる。
  論文  参考訳（メタデータ） (2022-04-12T14:27:33Z)
• Semi-supervised teacher-student deep neural network for materials discovery [6.333015476935593]
  本稿では,高速な生成エネルギーと合成可能性予測のための半教師付き深層ニューラルネットワーク(TSDNN)モデルを提案する。 生成エネルギーに基づく安定性スクリーニングでは,ベースラインCGCNN回帰モデルと比較して絶対精度が10.3%向上する。 合成可能性予測では,1/49モデルパラメータを用いて,ベースラインPU学習の正の確率を87.9%から97.9%に有意に向上させた。
  論文  参考訳（メタデータ） (2021-12-12T04:00:21Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Interpretable discovery of new semiconductors with machine learning [10.09604500193621]
  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。
  論文  参考訳（メタデータ） (2021-01-12T10:23:16Z)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。