論文の概要: Brain Inspired Computing Approach for the Optimization of the Thin Film
Thickness of Polystyrene on the Glass Substrates
- arxiv url: http://arxiv.org/abs/2107.12156v1
- Date: Wed, 21 Jul 2021 17:13:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-01 11:06:19.742759
- Title: Brain Inspired Computing Approach for the Optimization of the Thin Film
Thickness of Polystyrene on the Glass Substrates
- Title（参考訳）: ガラス基板上のポリスチレン薄膜厚みの最適化のための脳インスパイアコンピューティングアプローチ
- Authors: Akshansh Mishra and Devarrishi Dixit
- Abstract要約: 本稿では,各種教師付き機械学習回帰アルゴリズムの適用について述べる。
その結果、回帰機械学習アルゴリズムは他の機械学習モデルよりも優れていた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Advent in machine learning is leaving a deep impact on various sectors
including the material science domain. The present paper highlights the
application of various supervised machine learning regression algorithms such
as polynomial regression, decision tree regression algorithm, random forest
algorithm, support vector regression algorithm, and artificial neural network
algorithm to determine the thin film thickness of Polystyrene on the glass
substrates. The results showed that the polynomial regression machine learning
algorithm outperforms all other machine learning models by yielding the
coefficient of determination of 0.96 approximately and mean square error of
0.04 respectively.
- Abstract（参考訳）: 機械学習の出現は、マテリアルサイエンスの分野を含むさまざまな分野に大きな影響を与えている。
本稿では, 多項式回帰, 決定木回帰アルゴリズム, ランダムフォレストアルゴリズム, 支持ベクトル回帰アルゴリズム, 人工ニューラルネットワークアルゴリズムなどの教師付き機械学習回帰アルゴリズムを適用し, ガラス基板上のポリスチレンの薄膜厚を決定する。
その結果,多項式回帰機械学習アルゴリズムは0.96の判定係数と平均2乗誤差0.04の判定係数をそれぞれ与え,他の機械学習モデルよりも優れていた。
関連論文リスト
- Adaptive multiple optimal learning factors for neural network training [0.0]
提案した適応多重最適学習因子(AMOLF)アルゴリズムは,乗算毎の誤差変化に基づいて動的に学習因子数を調整する。
この論文は、目的関数の曲率に基づいて重みをグループ化する手法や、大きなヘッセン行列を圧縮する手法も導入している。
論文 参考訳（メタデータ） (2024-06-04T21:18:24Z) - An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。
このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。
本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-30T15:57:14Z) - Smoothed Online Learning for Prediction in Piecewise Affine Systems [43.64498536409903]
本稿では,最近開発されたスムーズなオンライン学習フレームワークに基づく。
これは、断片的なアフィン系における予測とシミュレーションのための最初のアルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-01-26T15:54:14Z) - Graph Polynomial Convolution Models for Node Classification of
Non-Homophilous Graphs [52.52570805621925]
本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。
得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。
提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
論文 参考訳（メタデータ） (2022-09-12T04:46:55Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-06T13:18:31Z) - Machine Learning Algorithms for Prediction of Penetration Depth and
Geometrical Analysis of Weld in Friction Stir Spot Welding Process [0.0]
この研究は、Supervised Machine Learningアルゴリズムを用いた浸透深度予測に基づいている。
AA1230アルミニウム合金の2要素を接合するためにFSSWを用いた。
ロバスト回帰機械学習アルゴリズムは0.96の判定係数によって残りのアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2022-01-21T17:16:25Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳（メタデータ） (2021-01-08T18:55:07Z) - Numerical simulation, clustering and prediction of multi-component
polymer precipitation [0.7349727826230861]
多成分ポリマー系は、有機太陽電池およびドラッグデリバリー用途に関心がある。
我々は、ポリマーの沈殿をシミュレートするために、改良されたカーン・ヒリアードモデルを用いる。
計算コストを削減するため、シミュレーションしたポリマーブレンド画像のクラスタリングとそれに伴う予測に機械学習技術を適用した。
論文 参考訳（メタデータ） (2020-07-10T09:10:17Z) - Stochastic Flows and Geometric Optimization on the Orthogonal Group [52.50121190744979]
直交群 $O(d)$ 上の幾何駆動最適化アルゴリズムの新しいクラスを示す。
提案手法は,深層,畳み込み,反復的なニューラルネットワーク,強化学習,フロー,メトリック学習など,機械学習のさまざまな分野に適用可能であることを示す。
論文 参考訳（メタデータ） (2020-03-30T15:37:50Z)
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。