論文の概要: Distributed Representations of Atoms and Materials for Machine Learning
- arxiv url: http://arxiv.org/abs/2107.14664v1
- Date: Fri, 30 Jul 2021 14:34:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-02 12:53:59.124833
- Title: Distributed Representations of Atoms and Materials for Machine Learning
- Title（参考訳）: 機械学習のための原子と材料の分散表現
- Authors: Luis M. Antunes, Ricardo Grau-Crespo, Keith T. Butler
- Abstract要約: 化合物の分散表現は、原子の分散表現のプール操作によって、化学式のみから導出する。
これらの複合表現は、生成エネルギーやバンドギャップの予測など、10の異なるタスクで評価される。
材料構造データベースにおける情報量の増大を利用して,SkipAtomという原子の分散表現を学習するための新しいアプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The use of machine learning is becoming increasingly common in computational
materials science. To build effective models of the chemistry of materials,
useful machine-based representations of atoms and their compounds are required.
We derive distributed representations of compounds from their chemical formulas
only, via pooling operations of distributed representations of atoms. These
compound representations are evaluated on ten different tasks, such as the
prediction of formation energy and band gap, and are found to be competitive
with existing benchmarks that make use of structure, and even superior in cases
where only composition is available. Finally, we introduce a new approach for
learning distributed representations of atoms, named SkipAtom, which makes use
of the growing information in materials structure databases.
- Abstract（参考訳）: 機械学習の利用は、計算材料科学でますます一般的になりつつある。
材料化学の効果的なモデルを構築するには、有用な原子とその化合物の機械による表現が必要である。
化合物の分散表現は、原子の分散表現のプール操作によって、化学式のみから導出する。
これらの複合表現は、形成エネルギーとバンドギャップの予測のような10の異なるタスクで評価され、構造を利用する既存のベンチマークと競合し、組成のみを利用できる場合にも優れていることが判明した。
最後に,材料構造データベースにおける情報量の増大を利用する,SkipAtomという原子の分散表現を学習するための新しいアプローチを提案する。
関連論文リスト
- Material Property Prediction with Element Attribute Knowledge Graphs and Multimodal Representation Learning [8.523289773617503]
要素特性知識グラフを構築し、埋め込みモデルを用いて、要素属性を知識グラフ内にエンコードする。
マルチモーダル融合フレームワークであるESNetは、要素特性特徴と結晶構造特徴を統合し、ジョイントマルチモーダル表現を生成する。
これは結晶材料の性能を予測するためのより包括的な視点を提供する。
論文 参考訳（メタデータ） (2024-11-13T08:07:21Z) - Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。
この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文 参考訳（メタデータ） (2024-11-03T01:56:15Z) - Unsupervised Learning of Molecular Embeddings for Enhanced Clustering
and Emergent Properties for Chemical Compounds [2.6803933204362336]
SMILESデータに基づく化合物の検出とクラスタリングのための様々な手法を提案する。
埋め込みデータを用いて化合物のグラフィカルな構造を解析し, しきい値を満たすためにベクトル探索を用いる。
また、GPT3.5を用いたベクトルデータベースに格納された自然言語記述埋め込みを用い、ベースモデルより優れていた。
論文 参考訳（メタデータ） (2023-10-25T18:00:24Z) - Atomic and Subgraph-aware Bilateral Aggregation for Molecular
Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。
ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。
本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文 参考訳（メタデータ） (2023-05-22T00:56:00Z) - Formula graph self-attention network for representation-domain
independent materials discovery [3.67735033631952]
本稿では,理論のみと構造に基づく材料記述子の両方を統一する公式グラフの新たな概念を提案する。
本稿では,式グラフに類似した自己注意統合GNNを開発し,提案アーキテクチャが2つの領域間で伝達可能な材料埋め込みを生成することを示す。
我々のモデルは、構造に依存しない従来のGNNよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-01-14T19:49:45Z) - Federated Learning of Molecular Properties in a Heterogeneous Setting [79.00211946597845]
これらの課題に対処するために、フェデレーションヘテロジニアス分子学習を導入する。
フェデレートラーニングにより、エンドユーザは、独立したクライアント上に分散されたトレーニングデータを保存しながら、グローバルモデルを協調的に構築できる。
FedChemは、化学におけるAI改善のための新しいタイプのコラボレーションを可能にする必要がある。
論文 参考訳（メタデータ） (2021-09-15T12:49:13Z) - 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) - BERT Learns (and Teaches) Chemistry [5.653789128055942]
そこで本研究では,データ駆動の観点から,機能基および他の特性に影響を及ぼす分子サブ構造の研究に注意を払わせることを提案する。
次に, モデルで学習した官能基と原子の表現を適用し, 毒性, 溶解度, 薬物類似性, アクセシビリティの問題に対処する。
論文 参考訳（メタデータ） (2020-07-11T00:23:07Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳（メタデータ） (2020-05-27T13:32:10Z) - Representations of molecules and materials for interpolation of
quantum-mechanical simulations via machine learning [0.0]
第一原理から分子や物質の計算的研究は、物理学、化学、材料科学の基盤となっている。
多くのシミュレーションを含む設定では、機械学習は参照シミュレーション間の補間によってこれらのコストを、しばしば桁違いに削減することができる。
我々は、統一された数学的枠組みを用いて、現在の表現とそれらの関係を包括的にレビューし、議論する。
論文 参考訳（メタデータ） (2020-03-26T18:01:35Z)
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。