論文の概要: Physics in the Machine: Integrating Physical Knowledge in Autonomous Phase-Mapping

• arxiv url: http://arxiv.org/abs/2111.07478v1
• Date: Mon, 15 Nov 2021 00:48:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-16 17:38:54.408175
• Title: Physics in the Machine: Integrating Physical Knowledge in Autonomous Phase-Mapping
• Title（参考訳）: 機械の物理:自律的位相マッピングにおける物理知識の統合
• Authors: A. Gilad Kusne, Austin McDannald, Brian DeCost, Corey Oses, Cormac Toher, Stefano Curtarolo, Apurva Mehta, Ichiro Takeuchi
• Abstract要約: 科学インフォームドAIや科学AIは、データ分析から、クローズドループ自律システムにおける実験設計、シミュレーション、実行、分析まで、成長してきた。 CAMEOアルゴリズムは、物質系の構成構造関係を学習し、最適な機能特性を持つ材料組成を特定するという2つの課題に対処するために、科学的なAIを使用する。
• 参考スコア（独自算出の注目度）: 10.629434761354938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Application of artificial intelligence (AI), and more specifically machine learning, to the physical sciences has expanded significantly over the past decades. In particular, science-informed AI or scientific AI has grown from a focus on data analysis to now controlling experiment design, simulation, execution and analysis in closed-loop autonomous systems. The CAMEO (closed-loop autonomous materials exploration and optimization) algorithm employs scientific AI to address two tasks: learning a material system's composition-structure relationship and identifying materials compositions with optimal functional properties. By integrating these, accelerated materials screening across compositional phase diagrams was demonstrated, resulting in the discovery of a best-in-class phase change memory material. Key to this success is the ability to guide subsequent measurements to maximize knowledge of the composition-structure relationship, or phase map. In this work we investigate the benefits of incorporating varying levels of prior physical knowledge into CAMEO's autonomous phase-mapping. This includes the use of ab-initio phase boundary data from the AFLOW repositories, which has been shown to optimize CAMEO's search when used as a prior.
• Abstract（参考訳）: 人工知能(AI)、特に機械学習の物理科学への応用は、過去数十年で大幅に拡大してきた。 特に、科学インフォームドAIや科学AIは、データ分析から、クローズドループ自律システムにおける実験設計、シミュレーション、実行、分析まで、成長してきた。 cameo(closed-loop autonomous materials exploration and optimization)アルゴリズムは、材料システムの構成構造関係の学習と最適な機能特性を持つ材料組成の同定という2つのタスクに科学的aiを用いる。 これらを統合することで, 合成相図を走査する加速材料が示され, 最高の位相変化記憶材料が発見された。 この成功の鍵は、構成-構造関係の知識を最大化するために、その後の測定を導く能力である。 本研究では,キャメオの自律的位相マッピングに先行する物理知識の様々なレベルを組み込むことの利点について検討する。 これには、AFLOWリポジトリからのab-initioフェーズ境界データの使用が含まれる。

関連論文リスト

• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Human-In-the-Loop for Bayesian Autonomous Materials Phase Mapping [14.930208990741129]
  本稿では,人間の入力を自律的な材料探索キャンペーンに統合するための一連の手法を提案する。 ユーザは、興味のある領域、潜在的領域、およびおそらくフェーズ境界を示すことで、入力を選択できる。 適切な入力を行うと、位相マッピング性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-06-17T18:25:32Z)
• Deep Kernel Methods Learn Better: From Cards to Process Optimization [0.7587345054583298]
  能動学習によるDKLはよりコンパクトでスムーズな潜在空間が得られることを示す。 簡単なカードデータセットを用いてこの挙動を実証し、物理系におけるドメイン生成軌道の最適化に拡張する。
  論文  参考訳（メタデータ） (2023-03-25T20:21:29Z)
• 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)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)
• Benchmarking Active Learning Strategies for Materials Optimization and Discovery [17.8738267360992]
  本稿では,様々な獲得関数の形で,アクティブな学習戦略をベンチマークするための参照データセットを提案する。 本稿では,アルゴリズムの性能,材料探索空間,複雑さ,事前知識の具体化との関係について論じる。
  論文  参考訳（メタデータ） (2022-04-12T14:27:33Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• Autonomous synthesis of metastable materials [13.506040229814499]
  我々はSARA(Scientific Autonomous Reasoning Agent)が管理する階層的自律実験による準安定物質の高速合成と探索を実証する。 SARAは、処理フェーズダイアグラムの構造を効率的に明らかにするAI手法の階層構造とともに、ロボット素材の合成とキャラクタリゼーションを統合する。 我々は,bi$o$_3$システムにおける合成相境界を自律的にマッピングすることにより,合成相図の確立においてその性能を実証する。
  論文  参考訳（メタデータ） (2021-01-19T00:29:26Z)
• On-the-fly Closed-loop Autonomous Materials Discovery via Bayesian Active Learning [12.021024778717575]
  我々は、高度な素材の発見に、クローズドループでアクティブな学習駆動型自律システムに焦点を当てる。 複雑で高度な材料を手元に配置できる自律的な研究手法を実証する。 このロボット科学は、ネットワーク上の科学を可能にし、科学者の経済的影響を研究室から物理的に切り離すことができる。
  論文  参考訳（メタデータ） (2020-06-11T01:26:24Z)

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。