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

• Machine Learning-Guided Design of Non-Reciprocal and Asymmetric Elastic Chiral Metamaterials [0.0]
  本稿では, 靭帯接触角, 靭帯形状, 円半径など, キラルなメタマテリアルの設計空間を定義した。 次に、機械学習アプローチ、特にベイズ最適化を活用して、最大非相互性あるいは剛性非対称性を満たす最適な設計を行う。 この機構を解析したところ, 異なる方向の荷重下で複数の異なる接触状態を示すことができるキラルなメタマテリアルは, 高い非相反性と剛性非対称性の両方を同時に示すことができることがわかった。
  論文  参考訳（メタデータ） (2024-04-19T23:39:56Z)
• Gradient-based Design of Computational Granular Crystals [0.22499166814992436]
  本研究では,物質中の波動伝搬の時間的ダイナミクスとリカレントニューラルネットワークの計算力学の類似性を構築し,高調波駆動結晶のための勾配最適化フレームワークを開発する。 本研究は, メタマテリアルの内在的設計空間を大きく拡張するグラデーションに基づく最適化手法であることを示す。
  論文  参考訳（メタデータ） (2024-04-07T06:24:47Z)
• 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 Inverse Design of Metamaterials with Functional Responses by Interpretable Learning [3.931881794708454]
  ランダムフォレストに基づく解釈可能生成逆設計(RIGID)を提案する。 RIGIDは、オンデマンド機能挙動を持つメタマテリアル設計を高速に生成するための単発逆設計法である。 RIGIDの音響的・光学的メタマテリアル設計問題に対する評価を行った。
  論文  参考訳（メタデータ） (2023-12-08T04:24:03Z)
• Equivariant Architectures for Learning in Deep Weight Spaces [54.61765488960555]
  重み空間の学習のための新しいネットワークアーキテクチャを提案する。 入力として、事前訓練された不変量の重みとバイアスの連結をとる。 これらのレイヤを3つの基本的な操作で実装する方法を示す。
  論文  参考訳（メタデータ） (2023-01-30T10:50:33Z)
• 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)
• 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)

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。