論文の概要: Inverse design of two-dimensional materials with invertible neural
networks
- arxiv url: http://arxiv.org/abs/2106.03013v1
- Date: Sun, 6 Jun 2021 02:49:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 17:35:06.096116
- Title: Inverse design of two-dimensional materials with invertible neural
networks
- Title(参考訳): 可逆ニューラルネットワークを用いた2次元材料の逆設計
- Authors: Victor Fung, Jiaxin Zhang, Guoxiang Hu, P. Ganesh, Bobby G. Sumpter
- Abstract要約: 非可逆ニューラルネットワークを利用した逆設計フレームワーク(MatDesINNe)は、前と逆のプロセスの両方をマッピングできる。
フレームワークは、新しい、高い忠実度、多種多様な候補を、ほぼ化学的精度で生成できることを示す。
- 参考スコア(独自算出の注目度): 0.6973491758935711
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The ability to readily design novel materials with chosen functional
properties on-demand represents a next frontier in materials discovery.
However, thoroughly and efficiently sampling the entire design space in a
computationally tractable manner remains a highly challenging task. To tackle
this problem, we propose an inverse design framework (MatDesINNe) utilizing
invertible neural networks which can map both forward and reverse processes
between the design space and target property. This approach can be used to
generate materials candidates for a designated property, thereby satisfying the
highly sought-after goal of inverse design. We then apply this framework to the
task of band gap engineering in two-dimensional materials, starting with MoS2.
Within the design space encompassing six degrees of freedom in applied tensile,
compressive and shear strain plus an external electric field, we show the
framework can generate novel, high fidelity, and diverse candidates with
near-chemical accuracy. We extend this generative capability further to provide
insights regarding metal-insulator transition, important for memristive
neuromorphic applications among others, in MoS2 which is not otherwise possible
with brute force screening. This approach is general and can be directly
extended to other materials and their corresponding design spaces and target
properties.
- Abstract(参考訳): 機能性のある新しい材料をオンデマンドで設計する能力は、材料発見の次のフロンティアである。
しかし、設計空間全体を計算可能な方法で徹底的かつ効率的にサンプリングすることは、非常に難しい課題である。
この問題に対処するために、設計空間と対象特性の間の前と逆のプロセスの両方をマッピングできる可逆ニューラルネットワークを利用した逆設計フレームワーク(MatDesINNe)を提案する。
このアプローチは、指定された資産の材料候補を生成するために使用することができ、従って、高度に要求される逆設計の目標を満たすことができる。
次に、この枠組みをMoS2から始まる2次元材料におけるバンドギャップ工学の課題に適用する。
加圧引張,圧縮およびせん断ひずみおよび外部電界の6自由度を含む設計空間において, この枠組みは, 新規で高い忠実度, およびほぼ化学的精度で多種多様な候補を生成可能であることを示す。
ブルート力スクリーニングでは不可能なMoS2において、金属絶縁体転移に関する洞察を提供するために、この生成能力をさらに拡張する。
このアプローチは一般的であり、他の材料とその対応する設計空間とターゲット特性に直接拡張することができる。
関連論文リスト
- Dual-Space Optimization: Improved Molecule Sequence Design by Latent
Prompt Transformer [78.47949363282868]
本稿では,遅延空間サンプリングとデータ空間選択を統合したDual-Space Optimization (DSO)法を提案する。
DSOは、生成モデルと合成データを所望のプロパティ値の領域にシフトさせる最適化プロセスにおいて、潜在空間生成モデルと合成データセットを反復的に更新する。
提案手法の有効性を実証し, 単一目的, 多目的, 制約された分子設計タスクにまたがる新しい性能ベンチマークを設定した。
論文 参考訳(メタデータ) (2024-02-27T03:33:23Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳(メタデータ) (2024-01-24T01:33:39Z) - VAE for Modified 1-Hot Generative Materials Modeling, A Step Towards
Inverse Material Design [0.0]
材料設計において, 所定の特性を持つ材料を設計しようとする場合, 提案する新素材の合成可能性を確保することが重要な課題である。
私たちは、暗黙のデータセット関係、すなわち、ある物質をデータセット内の他の物質に分解することができることをエンコードします。
本稿では,この特性を潜在空間に保持し,新しいサンプルを生成可能なVAEモデルを提案する。
論文 参考訳(メタデータ) (2023-12-25T04:04:47Z) - Generative Thermal Design Through Boundary Representation and
Multi-Agent Cooperative Environment [0.0]
協調型多エージェント深部強化学習と連続幾何表現を用いた生成熱設計を提案する。
提案フレームワークは、熱伝達と圧力降下を予測する環境として、事前訓練されたニューラルネットワークサロゲートモデルで構成されている。
論文 参考訳(メタデータ) (2022-08-16T21:22:44Z) - Inverse Design and Experimental Verification of a Bianisotropic
Metasurface Using Optimization and Machine Learning [0.0]
多くの中表面設計は、放射された遠方界に対する一連の制約から始まり、表面に対する一様でない物理的構造で終わる。
ここでは、反復最適化プロセスを用いて、指定された制約に準拠する遠距離場パターンを放射する表面特性を求める。
微視的なステップでは、これらの最適化された表面特性は、機械学習サロゲートモデルを用いて物理単位セルで実現される。
論文 参考訳(メタデータ) (2022-03-28T02:21:03Z) - How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。
具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文 参考訳(メタデータ) (2021-11-10T21:19:02Z) - Pure Exploration in Kernel and Neural Bandits [90.23165420559664]
我々は、特徴表現の次元が腕の数よりもはるかに大きい帯域における純粋な探索について研究する。
そこで本研究では,各アームの特徴表現を低次元空間に適応的に埋め込む手法を提案する。
論文 参考訳(メタデータ) (2021-06-22T19:51:59Z) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳(メタデータ) (2021-05-06T02:22:23Z) - Polymers for Extreme Conditions Designed Using Syntax-Directed
Variational Autoencoders [53.34780987686359]
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。
論文 参考訳(メタデータ) (2020-11-04T21:36:59Z) - Machine Learning Enabled Discovery of Application Dependent Design
Principles for Two-dimensional Materials [1.1470070927586016]
我々は熱力学、機械的、電子的特性を予測するためにモデルのアンサンブルを訓練する。
ほぼ2つの非結合なアプリケーションに対して,45,000近い構造体をスクリーニングする。
有機-無機ペロブスカイトと鉛とスズとのハイブリッドが太陽電池の応用に好適であることが判明した。
論文 参考訳(メタデータ) (2020-03-19T23:13:50Z)
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。