論文の概要: Interpretable and Explainable Machine Learning for Materials Science and
Chemistry
- arxiv url: http://arxiv.org/abs/2111.01037v1
- Date: Mon, 1 Nov 2021 15:40:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 19:02:58.222275
- Title: Interpretable and Explainable Machine Learning for Materials Science and
Chemistry
- Title(参考訳): 材料科学・化学のための解釈・説明可能な機械学習
- Authors: Felipe Oviedo, Juan Lavista Ferres, Tonio Buonassisi, Keith Butler
- Abstract要約: 材料科学・化学における解釈可能性および説明可能性技術の応用を概説する。
これらの技術が科学的研究の成果をどう改善するかを論じる。
- 参考スコア(独自算出の注目度): 2.2175470459999636
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While the uptake of data-driven approaches for materials science is at an
exciting, early stage, to realise the true potential of machine learning models
for successful scientific discovery, they must have qualities beyond purely
predictive power. The predictions and inner workings of models should provide a
certain degree of explainability by human experts, permitting the
identification of potential model issues or limitations, building trust on
model predictions and unveiling unexpected correlations that may lead to
scientific insights. In this work, we summarize applications of
interpretability and explainability techniques for materials science and
chemistry and discuss how these techniques can improve the outcome of
scientific studies.
- Abstract(参考訳): 材料科学におけるデータ駆動アプローチの普及は、科学的発見を成功させるための機械学習モデルの真の可能性を実現するための、エキサイティングな初期段階にあるが、それらは純粋に予測能力を超えた性質を持つ必要がある。
モデルの予測と内部動作は、人間の専門家によるある程度の説明可能性を提供し、潜在的なモデル問題や制限の特定を可能にし、モデル予測への信頼を築き、科学的洞察につながる予期せぬ相関を明らかにするべきである。
本稿では,材料科学・化学における解釈可能性・説明可能性技術の応用を概説し,これらの技術が科学研究の成果をどう改善するかを論じる。
関連論文リスト
- Diverse Explanations from Data-driven and Domain-driven Perspectives for
Machine Learning Models [0.0]
機械学習モデルの解説は特に化学、生物学、物理学などの科学分野において重要である。
本稿では,機械学習モデルや,特定のニーズやニーズ,目的を持ったさまざまな利害関係者に対して,正確で誤解を招くような不整合性への注意を喚起する。
論文 参考訳(メタデータ) (2024-02-01T05:28:28Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳(メタデータ) (2023-10-23T13:35:24Z) - Large Language Models for Scientific Synthesis, Inference and
Explanation [56.41963802804953]
大規模言語モデルがどのように科学的合成、推論、説明を行うことができるかを示す。
我々は,この「知識」を科学的文献から合成することで,大きな言語モデルによって強化できることを示す。
このアプローチは、大きな言語モデルが機械学習システムの予測を説明することができるというさらなる利点を持っている。
論文 参考訳(メタデータ) (2023-10-12T02:17:59Z) - Efficient Surrogate Models for Materials Science Simulations: Machine
Learning-based Prediction of Microstructure Properties [0.0]
いくつかの機械学習アルゴリズムがこれらの科学分野に応用され、シミュレーションモデルや代理モデルを強化し、加速している。
材料科学分野の2つの異なるデータセットに基づいて,6つの機械学習技術の応用について検討する。
論文 参考訳(メタデータ) (2023-09-01T07:29:44Z) - Symmetry-Informed Geometric Representation for Molecules, Proteins, and
Crystalline Materials [66.14337835284628]
幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。
Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
論文 参考訳(メタデータ) (2023-06-15T05:37:25Z) - Explainability Techniques for Chemical Language Models [6.680329538342071]
本稿では,深層学習モデルによる予測に対して,個々の原子の重要性を考慮に入れた説明可能なAI手法を提案する。
本手法は, 化学入力文字列に対する関連情報を逆伝搬し, 個々の原子の重要性を可視化する。
論文 参考訳(メタデータ) (2023-05-25T15:52:54Z) - Physics-informed Reinforcement Learning for Perception and Reasoning
about Fluids [0.0]
本研究では,流体知覚と観測からの推論のための物理インフォームド強化学習戦略を提案する。
本研究では,コモディティカメラで自由表面を観察した未確認液体の追跡(知覚)と解析(推論)を行う手法を開発した。
論文 参考訳(メタデータ) (2022-03-11T07:01:23Z) - Individual Explanations in Machine Learning Models: A Survey for
Practitioners [69.02688684221265]
社会的関連性の高い領域の決定に影響を与える洗練された統計モデルの使用が増加しています。
多くの政府、機関、企業は、アウトプットが人間の解釈可能な方法で説明しにくいため、採用に消極的です。
近年,機械学習モデルに解釈可能な説明を提供する方法として,学術文献が多数提案されている。
論文 参考訳(メタデータ) (2021-04-09T01:46:34Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z) - Drug discovery with explainable artificial intelligence [0.0]
分子科学の機械言語の新しい物語の必要性に対処する「説明可能な」深層学習手法が求められている。
このレビューでは、説明可能な人工知能の最も顕著なアルゴリズム概念を要約し、将来の可能性、潜在的な応用、そして残る課題を予測している。
論文 参考訳(メタデータ) (2020-07-01T14:36:23Z) - Visual Grounding of Learned Physical Models [66.04898704928517]
人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。
我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。
実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
論文 参考訳(メタデータ) (2020-04-28T17:06:38Z)
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。