論文の概要: MOFSimplify: Machine Learning Models with Extracted Stability Data of
Three Thousand Metal-Organic Frameworks
- arxiv url: http://arxiv.org/abs/2109.08098v1
- Date: Thu, 16 Sep 2021 16:37:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-17 17:10:39.151127
- Title: MOFSimplify: Machine Learning Models with Extracted Stability Data of
Three Thousand Metal-Organic Frameworks
- Title（参考訳）: MOFSimplify: 3万個の金属有機フレームワークの安定性データを抽出した機械学習モデル
- Authors: A. Nandy, G. Terrones, N. Arunachalam, C. Duan, D. W. Kastner, and H.
J. Kulik
- Abstract要約: 我々は、自然言語処理を用いて、金属-有機フレームワーク(MOF)の安定性に関する文献を発掘する。
我々は、定量的不確実性のある新しいMOFの安定性を予測するために機械学習モデルを訓練する。
当社のWebインターフェースであるMOFSimplifyは、ユーザがキュレートされたデータにアクセスし、そのデータを新しいMOFの予測に利用できるようにする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We report a workflow and the output of a natural language processing
(NLP)-based procedure to mine the extant metal-organic framework (MOF)
literature describing structurally characterized MOFs and their solvent removal
and thermal stabilities. We obtain over 2,000 solvent removal stability
measures from text mining and 3,000 thermal decomposition temperatures from
thermogravimetric analysis data. We assess the validity of our NLP methods and
the accuracy of our extracted data by comparing to a hand-labeled subset.
Machine learning (ML, i.e. artificial neural network) models trained on this
data using graph- and pore-geometry-based representations enable prediction of
stability on new MOFs with quantified uncertainty. Our web interface,
MOFSimplify, provides users access to our curated data and enables them to
harness that data for predictions on new MOFs. MOFSimplify also encourages
community feedback on existing data and on ML model predictions for
community-based active learning for improved MOF stability models.
- Abstract（参考訳）: 構造的特徴を有するMOFとその溶媒除去および熱安定性を記述した既存の金属-有機フレームワーク(MOF)文献をマイニングするためのワークフローと自然言語処理(NLP)ベースの手順の成果を報告する。
テキストマイニングから2,000以上の溶媒除去安定度と熱重力解析データから3,000以上の熱分解温度を得た。
我々は,NLP法の有効性と抽出したデータの精度を手書きサブセットと比較することにより評価した。
このデータに基づいてトレーニングされた機械学習(ml、すなわち人工ニューラルネットワーク)モデルは、グラフおよび細孔ジオメトリーに基づく表現を使用して、定量不確実性を持つ新しいmofの安定性の予測を可能にする。
当社のWebインターフェースであるMOFSimplifyは、ユーザがキュレートされたデータにアクセスし、そのデータを新しいMOFの予測に利用できるようにする。
MOFSimplifyは、既存のデータやコミュニティベースのアクティブラーニングのためのMLモデル予測に対するコミュニティからのフィードバックを奨励し、MOF安定性モデルを改善する。
関連論文リスト
- On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - A Priori Uncertainty Quantification of Reacting Turbulence Closure Models using Bayesian Neural Networks [0.0]
反応流モデルにおける不確実性を捉えるためにベイズニューラルネットワークを用いる。
我々は、BNNモデルが、データ駆動クロージャモデルの不確実性の構造に関するユニークな洞察を提供することができることを示した。
このモデルの有効性は,様々な火炎条件と燃料からなるデータセットに対する事前評価によって実証される。
論文 参考訳（メタデータ） (2024-02-28T22:19:55Z) - Fine-Tuned Language Models Generate Stable Inorganic Materials as Text [57.01994216693825]
テキストエンコードされた原子構造データに基づく微調整された大規模言語モデルは、実装が簡単で信頼性が高い。
我々の最強モデルは、CDVAEの約2倍の速度で準安定であると予測された物質を生成することができる。
テキストプロンプト固有の柔軟性のため、我々のモデルは安定物質を無条件に生成するために同時に使用することができる。
論文 参考訳（メタデータ） (2024-02-06T20:35:28Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳（メタデータ） (2023-07-25T14:09:53Z) - A physics-constrained machine learning method for mapping gapless land
surface temperature [6.735896406986559]
本稿では,物理的意味と高精度なLSTを生成する物理MLモデルを提案する。
勾配入力としてリモートセンシングデータのみを使用する光発振機(LGBM)モデルは、純粋なMLモデルとして機能する。
純粋な物理法や純粋なML法と比較して、PC-LGBMモデルはLSTの予測精度と物理的解釈性を改善する。
論文 参考訳（メタデータ） (2023-07-03T01:44:48Z) - A Database of Ultrastable MOFs Reassembled from Stable Fragments with
Machine Learning Models [0.3710026260502075]
我々はコミュニティの知識と機械学習モデルを利用して、活性化時に熱的に安定し安定した金属-有機フレームワーク(MOF)を同定する。
我々は、5万以上の構造からなる新しい仮説MOFデータベースを作成し、それまでのデータベースよりも、桁違いに多くの接続網と無機構造ブロックをサンプリングする。
このデータベースは、活性化時に安定であり、1つ以上の標準偏差が実験により得られた平均的なMOFよりも熱的に安定な超安定MOF構造の等級の富化を示す。
論文 参考訳（メタデータ） (2022-10-25T17:38:42Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - Using Machine Learning and Data Mining to Leverage Community Knowledge
for the Engineering of Stable Metal-Organic Frameworks [0.9187159782788578]
MOFは、ガス分離から安定性まで、エンジニアリング上の課題を約束している。
限界を克服するために、我々はMOFの安定性の重要な側面について数千のレポートを抽出した。
自然言語処理と自動画像解析を用いて,2,000以上の溶媒除去測定値と3,000以上の熱温度を得る。
論文 参考訳（メタデータ） (2021-06-24T21:35:26Z) - Learning representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳（メタデータ） (2021-04-11T16:45:18Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳（メタデータ） (2020-07-15T07:07:07Z) - Data and Model Dependencies of Membership Inference Attack [13.951470844348899]
我々は、データとMLモデル特性の両方がMIAに対するML手法の脆弱性に与える影響を実証分析する。
この結果から,MIAの精度とデータセットの特性と使用中のトレーニングモデルとの関係が明らかになった。
我々は,これらのデータとモデル特性をレギュレータとして利用し,MLモデルをMIAに対して保護することを提案する。
論文 参考訳（メタデータ） (2020-02-17T09:35:00Z)
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。