論文の概要: Artificial Intelligence Powered Material Search Engine
- arxiv url: http://arxiv.org/abs/2202.01916v1
- Date: Wed, 19 Jan 2022 13:29:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-13 14:53:34.665674
- Title: Artificial Intelligence Powered Material Search Engine
- Title（参考訳）: 人工知能を利用した材料検索エンジン
- Authors: Mohendra Roy
- Abstract要約: 物質情報提供のために,X線回折による原子間空間を用いた物質検索エンジンを報告した。
我々は,X線回折データを用いた様々な予測手法について検討した。
- 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: Many data-driven applications in material science have been made possible
because of recent breakthroughs in artificial intelligence(AI). The use of AI
in material engineering is becoming more viable as the number of material data
such as X-Ray diffraction, various spectroscopy, and microscope data grows. In
this work, we have reported a material search engine that uses the interatomic
space (d value) from X-ray diffraction to provide material information. We have
investigated various techniques for predicting prospective material using X-ray
diffraction data. We used the Random Forest, Naive Bayes (Gaussian), and Neural
Network algorithms to achieve this. These algorithms have an average accuracy
of 88.50\%, 100.0\%, and 88.89\%, respectively. Finally, we combined all these
techniques into an ensemble approach to make the prediction more generic. This
ensemble method has a ~100\% accuracy rate. Furthermore, we are designing a
graph neural network (GNN)-based architecture to improve interpretability and
accuracy. Thus, we want to solve the computational and time complexity of
traditional dictionary-based and metadata-based material search engines and to
provide a more generic prediction.
- Abstract（参考訳）: 近年の人工知能(AI)の進歩により、物質科学における多くのデータ駆動型応用が可能となった。
物質工学におけるAIの利用は、X線回折、様々な分光法、顕微鏡データなどの材料データの数が増加するにつれて、ますます現実的になりつつある。
本研究では,X線回折の原子間空間(d値)を用いて物質情報を提供する物質検索エンジンについて報告する。
x線回折データを用いた予測材料予測手法の検討を行った。
我々はランダムフォレスト、ネイブベイズ(ガウシアン)、ニューラルネットワークアルゴリズムを用いてこれを実現した。
これらのアルゴリズムの平均精度は88.50\%、100.0\%、88.89\%である。
最後に、これらのテクニックをアンサンブルアプローチと組み合わせて、予測をより一般的なものにした。
このアンサンブル法は精度が約100\%である。
さらに,解釈性と精度を向上させるために,グラフニューラルネットワーク(gnn)ベースのアーキテクチャを設計する。
そこで我々は,従来の辞書ベース・メタデータベース・マテリアル検索エンジンの計算と時間の複雑さを解消し,より汎用的な予測を行う。
関連論文リスト
- Approaching Metaheuristic Deep Learning Combos for Automated Data Mining [0.5419570023862531]
本研究では,メタヒューリスティック手法を従来の分類器やニューラルネットワークと組み合わせて自動データマイニングを行う手法を提案する。
手書き文字認識のためのMNISTデータセットの実験を行った。
根拠真理ラベル付きデータセットの検証精度は、これまで見つからなかった他のデータインスタンスのラベルを修正するのに不十分である、という実証的な観察がなされた。
論文 参考訳（メタデータ） (2024-10-16T10:28:22Z) - EndToEndML: An Open-Source End-to-End Pipeline for Machine Learning Applications [0.2826977330147589]
機械学習モデルの事前処理、トレーニング、評価、可視化が可能なWebベースのエンドツーエンドパイプラインを提案する。
本ライブラリは,マルチモーダル・マルチセンサ・データセットの認識,分類,クラスタリング,および予測を支援する。
論文 参考訳（メタデータ） (2024-03-27T02:24:38Z) - Algorithmic failure as a humanities methodology: machine learning's
mispredictions identify rich cases for qualitative analysis [0.0]
私は単純な機械学習アルゴリズムを訓練し、架空のキャラクターの情報だけを使ってアクションがアクティブか受動的かを予測する。
この結果は、失敗予測は質的分析のリッチケースを特定するために生産的に使用できるという、Munkらの理論を支持する。
さらに、この手法がどのような種類のデータに役立ち、どの種類の機械学習が最も生成性が高いかを理解するために、さらなる研究が必要である。
論文 参考訳（メタデータ） (2023-05-19T13:24:32Z) - Learning Graph Search Heuristics [48.83557172525969]
本稿では,新しいニューラルネットワークと学習アルゴリズムであるPHIL(Path Heuristic with Imitation Learning)について述べる。
我々の関数は、ノード距離の推測に有用なグラフ埋め込みを学習し、グラフサイズに依存しない一定時間で実行し、テスト時にA*のようなアルゴリズムに容易に組み込むことができる。
実験の結果、PHILはベンチマークデータセットの最先端の手法と比較して平均58.5%の探索ノード数を削減している。
論文 参考訳（メタデータ） (2022-12-07T22:28:00Z) - Concurrent Neural Tree and Data Preprocessing AutoML for Image
Classification [0.5735035463793008]
現在のSOTA (State-of-the-art) には、アルゴリズム検索空間の一部として入力データを操作するための従来の手法は含まれていない。
進化的多目的アルゴリズム設計エンジン(EMADE, Evolutionary Multi-objective Algorithm Design Engine)は、従来の機械学習手法のための多目的進化的検索フレームワークである。
CIFAR-10画像分類ベンチマークデータセットにおいて,これらの手法を検索空間の一部として含めることで,性能向上の可能性が示唆された。
論文 参考訳（メタデータ） (2022-05-25T20:03:09Z) - Accelerating Understanding of Scientific Experiments with End to End
Symbolic Regression [12.008215939224382]
生データから自由形記号表現を学習する問題に対処するディープニューラルネットワークを開発した。
ニューラルネットワークを、長さの異なるデータテーブルとノイズのレベルからなる合成データセットでトレーニングする。
行動科学の公開データセット上で動作させることで、我々の技術を検証する。
論文 参考訳（メタデータ） (2021-12-07T22:28:53Z) - Deep metric learning improves lab of origin prediction of genetically
engineered plasmids [63.05016513788047]
遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。
本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。
我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
論文 参考訳（メタデータ） (2021-11-24T16:29:03Z) - Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or
Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。
既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。
既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文 参考訳（メタデータ） (2021-11-09T13:30:34Z) - 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) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z) - AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。
汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。
機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文 参考訳（メタデータ） (2020-03-06T19:00:04Z)
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。