論文の概要: A Binded VAE for Inorganic Material Generation

• arxiv url: http://arxiv.org/abs/2112.09570v1
• Date: Fri, 17 Dec 2021 15:24:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-20 15:55:40.127043
• Title: A Binded VAE for Inorganic Material Generation
• Title（参考訳）: 無機材料生成のための結合型vae
• Authors: Fouad Oubari, Antoine de Mathelin, Rodrigue D\'ecatoire, Mathilde Mougeot
• Abstract要約: 本研究では,分散データセットの生成に適したBinded-VAEモデルを構築した。 本稿では, ゴム化合物設計の問題点として, 提案手法が標準生成モデルより優れていることを挙げる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Designing new industrial materials with desired properties can be very expensive and time consuming. The main difficulty is to generate compounds that correspond to realistic materials. Indeed, the description of compounds as vectors of components' proportions is characterized by discrete features and a severe sparsity. Furthermore, traditional generative model validation processes as visual verification, FID and Inception scores are tailored for images and cannot then be used as such in this context. To tackle these issues, we develop an original Binded-VAE model dedicated to the generation of discrete datasets with high sparsity. We validate the model with novel metrics adapted to the problem of compounds generation. We show on a real issue of rubber compound design that the proposed approach outperforms the standard generative models which opens new perspectives for material design optimization.
• Abstract（参考訳）: 望ましい性質を持つ新しい工業材料を設計することは、非常に高価で時間がかかります。 主な困難は、現実的な物質に対応する化合物を生成することである。 実際、成分の比率のベクトルとしての化合物の記述は、離散的特徴と厳しいスパーシティによって特徴づけられる。 さらに、視覚的検証やfid、インセプションスコアといった従来の生成モデル検証プロセスは、画像用に調整されており、このコンテキストでは使用できない。 これらの問題に対処するため,我々は分離データセット生成に特化したバインド・ベイモデルを開発した。 化合物生成問題に適応した新しい指標でモデルを検証した。 ゴム複合設計の真の課題として,提案手法が材料設計最適化の新しい視点を開く標準生成モデルよりも優れていることを示す。

関連論文リスト

• Scalability in Building Component Data Annotation: Enhancing Facade Material Classification with Synthetic Data [45.981332942020856]
  Googleストリートビューの画像で訓練されたコンピュータビジョンモデルは、物質カダストを作成することができる。 現在のアプローチでは手動でアノテートされたデータセットが必要です。 本稿では、DALL-Eで生成された合成データセット上でSwin Transformerモデルを微調整し、同様の手動注釈付きデータセットと比較する。
  論文  参考訳（メタデータ） (2024-04-12T15:54:48Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• Controllable Image Synthesis of Industrial Data Using Stable Diffusion [2.021800129069459]
  本稿では,産業データに基づく汎用事前学習型生成モデルの再利用手法を提案する。 まず、モデルに新しい概念を学習させ、新しいデータ分布を学習させる。 そこで我々は,その生成過程の条件付けを強制的に行ない,よく定義されたトポロジ的特徴を満たす産業用画像を生成する。
  論文  参考訳（メタデータ） (2024-01-06T08:09:24Z)
• VAE for Modified 1-Hot Generative Materials Modeling, A Step Towards Inverse Material Design [0.0]
  材料設計において, 所定の特性を持つ材料を設計しようとする場合, 提案する新素材の合成可能性を確保することが重要な課題である。 私たちは、暗黙のデータセット関係、すなわち、ある物質をデータセット内の他の物質に分解することができることをエンコードします。 本稿では,この特性を潜在空間に保持し,新しいサンプルを生成可能なVAEモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-25T04:04:47Z)
• A Generative Model for Accelerated Inverse Modelling Using a Novel Embedding for Continuous Variables [0.0]
  材料科学において、望ましい性質を持つ急速プロトタイピングの課題は、しばしば適切な微細構造を見つけるために広範な実験を必要とする。 生成機械学習モデルを使用することは、計算コストの低減にも有効である。 これは、例えば、モデルへの条件付け入力として連続的なプロパティ変数を必要とするため、新しい課題が伴う。 本稿では,既存手法の欠点を考察し,浮動小数点数のバイナリ表現に基づく生成モデルの新たな埋め込み戦略と比較する。 これにより正規化の必要性を排除し、情報を保存し、生成モデルを条件付けするための汎用的な埋め込み空間を作成する。
  論文  参考訳（メタデータ） (2023-11-19T15:03:19Z)
• UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
  ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。 本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,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） (2023-10-25T00:20:37Z)
• Precision-Recall Divergence Optimization for Generative Modeling with GANs and Normalizing Flows [54.050498411883495]
  本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。 指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。 当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-30T10:07:17Z)
• Reduce, Reuse, Recycle: Compositional Generation with Energy-Based Diffusion Models and MCMC [102.64648158034568]
  拡散モデルは、多くの領域において、生成モデリングの一般的なアプローチとなっている。 本稿では,新しい構成演算子の利用を可能にする拡散モデルのエネルギーベースパラメータ化を提案する。 これらのサンプルは、幅広い問題にまたがって構成生成の顕著な改善につながっている。
  論文  参考訳（メタデータ） (2023-02-22T18:48:46Z)
• Graph Contrastive Learning for Materials [6.667711415870472]
  本稿では,CrystalCLRを紹介した。CrystalCLRは,Crystal Graph Neural Networkを用いた表現のコンストラクティブ学習のためのフレームワークである。 新たな損失関数が加わったことにより,我々のフレームワークは,工学的フィンガープリント手法と競合する表現を学習することができる。 また、モデル微調整により、対照的な事前学習により、物質特性の予測のためのグラフニューラルネットワークの性能が向上することを示した。
  論文  参考訳（メタデータ） (2022-11-24T04:15:47Z)
• High-Fidelity Synthesis with Disentangled Representation [60.19657080953252]
  本稿では,不整合学習と高忠実度合成のためのID-GAN(Information-Distillation Generative Adrial Network)を提案する。 提案手法は, VAEモデルを用いて非交叉表現を学習し, 高忠実度合成のためのGAN生成器に追加のニュアンス変数で学習表現を蒸留する。 単純さにもかかわらず,提案手法は高効率であり,不整合表現を用いた最先端の手法に匹敵する画像生成品質を実現する。
  論文  参考訳（メタデータ） (2020-01-13T14:39:40Z)

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。