Fugu-MT 論文翻訳(概要): Prediction of properties of metal alloy materials based on machine learning

論文の概要: Prediction of properties of metal alloy materials based on machine learning

arxiv url: http://arxiv.org/abs/2109.09394v1
Date: Mon, 20 Sep 2021 09:40:36 GMT
ステータス: 処理完了
システム内更新日: 2021-09-21 15:59:26.767042
Title: Prediction of properties of metal alloy materials based on machine learning
Title（参考訳）: 機械学習による金属合金材料の特性予測
Authors: Houchen Zuo, Yongquan Jiang, Yan Yang, Jie Hu
Abstract要約: 本稿では, 金属合金の原子体積, 原子エネルギー, 原子生成エネルギーに関する実験を行う。従来の機械学習モデル、ディープラーニングネットワーク、自動機械学習を通じて、材料特性予測における機械学習の有効性を検証する。実験結果から,機械学習が材料特性を正確に予測できることが示唆された。
参考スコア（独自算出の注目度）: 6.827605235800052
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Density functional theory and its optimization algorithm are the main methods to calculate the properties in the field of materials. Although the calculation results are accurate, it costs a lot of time and money. In order to alleviate this problem, we intend to use machine learning to predict material properties. In this paper, we conduct experiments on atomic volume, atomic energy and atomic formation energy of metal alloys, using the open quantum material database. Through the traditional machine learning models, deep learning network and automated machine learning, we verify the feasibility of machine learning in material property prediction. The experimental results show that the machine learning can predict the material properties accurately.
Abstract（参考訳）: 密度汎関数理論とその最適化アルゴリズムは、材料分野の物性を計算する主要な方法である。計算結果は正確だが、多くの時間と費用がかかる。この問題を軽減するため,我々は機械学習を用いて材料特性の予測を行う。本稿では,金属合金の原子体積,原子エネルギー,原子生成エネルギーについて,オープン量子材料データベースを用いて実験を行った。従来の機械学習モデル、ディープラーニングネットワーク、自動機械学習を通じて、材料特性予測における機械学習の有効性を検証する。実験の結果,機械学習は材料特性を正確に予測できることがわかった。

関連論文リスト

SciQu: Accelerating Materials Properties Prediction with Automated Literature Mining for Self-Driving Laboratories [0.7673339435080445]
特定の属性を予測するために異なる材料特性を評価することは、材料科学に基づく応用の基本的な要件である。本研究は,機械学習を利用して材料特性を高精度かつ効率的に解析することにより,これらの課題に対処する。データ抽出を自動化し、抽出した情報を用いて機械学習モデルを訓練することにより、開発したSciQuは材料特性を最適化する。
論文参考訳（メタデータ） (2024-07-11T08:12:46Z)
Interpretable Ensemble Learning for Materials Property Prediction with Classical Interatomic Potentials: Carbon as an Example [3.848961327213375]
機械学習(ML)は結晶材料の探索や特性の予測に広く用いられている。回帰木からなるアンサンブル学習に基づく手法を提案し, 生成エネルギーと弾性定数を予測する。記述子を使用しなければ、入力は9つの古典的原子間ポテンシャルを持つ分子動力学によって計算される特性である。
論文参考訳（メタデータ） (2023-07-24T19:10:13Z)
QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文参考訳（メタデータ） (2023-06-15T23:39:07Z)
A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文参考訳（メタデータ） (2022-11-23T18:25:32Z)
Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文参考訳（メタデータ） (2022-09-05T16:48:34Z)
Hardness prediction of age-hardening aluminum alloy based on ensemble learning [0.0]
合金は組成、加齢条件(時間と温度)を入力し、その硬さを予測するのに使用される。実験により、正しい二次学習者を選択することで、モデルの予測精度をさらに向上できることが示された。本論文は,深層ニューラルネットワークに基づく2次学習者改善のための注意機構を導入し,より優れた性能の融合モデルを得る。
論文参考訳（メタデータ） (2022-06-16T09:14:26Z)
A Machine Learning Method for Material Property Prediction: Example Polymer Compatibility [39.364776649251944]
材料特性予測のための新しい汎用機械学習手法を提案する。代表的な例として, 本手法の有効性を示すために, ポリマーの適合性を選択する。
論文参考訳（メタデータ） (2022-02-28T05:48:05Z)
Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文参考訳（メタデータ） (2021-08-04T16:32:59Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
Machine Learning for Material Characterization with an Application for Predicting Mechanical Properties [0.0]
本研究では,材料特性予測における機械学習手法の有用性について検討する。業界では、引張テスト、圧縮テスト、クリープテストのような材料テストは、しばしば時間がかかり、実行するのにコストがかかる。本研究は, 各種材料特性の究極的引張強度決定のための小型パンチ試験データへの機械学習手法の適用について検討した。
論文参考訳（メタデータ） (2020-10-12T20:30:27Z)
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)

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。