論文の概要: Machine Learning in Heterogeneous Porous Materials
- arxiv url: http://arxiv.org/abs/2202.04137v1
- Date: Fri, 4 Feb 2022 22:56:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-13 14:39:30.115655
- Title: Machine Learning in Heterogeneous Porous Materials
- Title（参考訳）: 異種多孔質材料の機械学習
- Authors: Marta D'Elia, Hang Deng, Cedric Fraces, Krishna Garikipati, Lori
Graham-Brady, Amanda Howard, George Karniadakis, Vahid Keshavarzzadeh, Robert
M. Kirby, Nathan Kutz, Chunhui Li, Xing Liu, Hannah Lu, Pania Newell, Daniel
O'Malley, Masa Prodanovic, Gowri Srinivasan, Alexandre Tartakovsky, Daniel M.
Tartakovsky, Hamdi Tchelepi, Bozo Vazic, Hari Viswanathan, Hongkyu Yoon,
Piotr Zarzycki
- Abstract要約: このワークショップは、National Academies of Sciences, Engineering and Medicineと全米理論・応用力学委員会が主催するAmeriMech Symposiumシリーズの一部であった。
- 参考スコア（独自算出の注目度）: 40.59177033344258
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The "Workshop on Machine learning in heterogeneous porous materials" brought
together international scientific communities of applied mathematics, porous
media, and material sciences with experts in the areas of heterogeneous
materials, machine learning (ML) and applied mathematics to identify how ML can
advance materials research. Within the scope of ML and materials research, the
goal of the workshop was to discuss the state-of-the-art in each community,
promote crosstalk and accelerate multi-disciplinary collaborative research, and
identify challenges and opportunities. As the end result, four topic areas were
identified: ML in predicting materials properties, and discovery and design of
novel materials, ML in porous and fractured media and time-dependent phenomena,
Multi-scale modeling in heterogeneous porous materials via ML, and Discovery of
materials constitutive laws and new governing equations. This workshop was part
of the AmeriMech Symposium series sponsored by the National Academies of
Sciences, Engineering and Medicine and the U.S. National Committee on
Theoretical and Applied Mechanics.
- Abstract（参考訳）: 異種多孔質材料における機械学習の研究」は、異種材料、機械学習(ml)、応用数学の分野の専門家とともに、応用数学、多孔質メディア、物質科学の国際科学コミュニティを結集させ、mlが材料研究を前進させる方法を特定させた。
mlおよび材料研究の範囲内で、ワークショップの目的は、各コミュニティにおける最先端の議論、クロストークの促進、多分野共同研究の促進、課題と機会の特定である。
その結果, 材料特性の予測におけるML, 新規材料の発見と設計, 多孔質・破断媒体のML, 時間依存現象のML, MLによる多種多孔質材料のマルチスケールモデリング, 構成法則と新しい支配方程式の発見の4つの話題が明らかになった。
このワークショップは、National Academies of Sciences, Engineering and Medicineと全米理論・応用力学委員会が主催するAmeriMech Symposiumシリーズの一部であった。
関連論文リスト
- Reflections from the 2024 Large Language Model (LLM) Hackathon for Applications in Materials Science and Chemistry [68.72590517877455]
材料科学・化学分野における応用のための第二大言語モデル(LLM)ハッカソンの結果について述べる。
このイベントは、グローバルなハイブリッドな場所を巡って参加者が参加し、34チームが応募した。
提出は7つの主要なアプリケーション領域にまたがって行われ、アプリケーションのためのLLMの多種多様な実用性を実証した。
論文 参考訳（メタデータ） (2024-11-20T23:08:01Z) - HoneyComb: A Flexible LLM-Based Agent System for Materials Science [31.173615509567885]
HoneyCombは材料科学に特化した最初の大規模言語モデルシステムである。
MatSciKBは、信頼できる文献に基づいた、キュレートされた構造化された知識収集である。
ToolHubはインダクティブツール構築法を使用して、材料科学のためのAPIツールを生成し、分解し、洗練する。
論文 参考訳（メタデータ） (2024-08-29T15:38:40Z) - Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる
この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。
本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
論文 参考訳（メタデータ） (2024-07-17T20:01:21Z) - A Comprehensive Survey of Scientific Large Language Models and Their Applications in Scientific Discovery [68.48094108571432]
大規模言語モデル(LLM)は、テキストやその他のデータ処理方法に革命をもたらした。
我々は,科学LLM間のクロスフィールドおよびクロスモーダル接続を明らかにすることで,研究ランドスケープのより総合的なビューを提供することを目指している。
論文 参考訳（メタデータ） (2024-06-16T08:03:24Z) - Are LLMs Ready for Real-World Materials Discovery? [10.87312197950899]
大規模言語モデル(LLM)は、材料科学の研究を加速する強力な言語処理ツールのエキサイティングな可能性を生み出します。
LLMは、物質理解と発見を加速する大きな可能性を秘めているが、現在は実用的な材料科学ツールとして不足している。
材料科学におけるLLMの失敗事例として,複雑で相互接続された材料科学知識の理解と推論に関連するLCMの現在の限界を明らかにする。
論文 参考訳（メタデータ） (2024-02-07T19:10:36Z) - Multimodal Learning for Materials [7.167520424757711]
材料の基礎モデルの自己教師型マルチモーダルトレーニングを可能にするマルチモーダル・ラーニング・フォー・マテリアル(MultiMat)を紹介した。
複数の軸上のMaterial Projectデータベースからのデータを用いてフレームワークの可能性を示す。
論文 参考訳（メタデータ） (2023-11-30T18:35:29Z) - Recent Advances and Applications of Machine Learning in Experimental
Solid Mechanics: A Review [0.0]
機械学習(ML)の最近の進歩は、実験的な固体力学の新しい機会を提供する。
このレビューは、MLメソッドの使用に関する貴重な洞察と、固体力学の研究者が実験に組み込むための様々な例を提供することを目的としている。
論文 参考訳（メタデータ） (2023-03-14T06:15:17Z) - Artificial Intelligence in Concrete Materials: A Scientometric View [77.34726150561087]
本章は, コンクリート材料用AI研究の主目的と知識構造を明らかにすることを目的としている。
まず、1990年から2020年にかけて発行された389の雑誌記事が、ウェブ・オブ・サイエンスから検索された。
キーワード共起分析やドキュメント共起分析などのサイエントメトリックツールを用いて,研究分野の特徴と特徴を定量化した。
論文 参考訳（メタデータ） (2022-09-17T18:24:56Z) - Data Science and Machine Learning in Education [7.998668690552295]
我々は高エネルギー物理(HEP)におけるデータサイエンス(DS)と機械学習(ML)の役割の増大について論じる。
本稿では,HEP研究とDS/ML教育の相乗効果を探求し,この交差点における機会と課題について議論し,相互に有益なコミュニティ活動を提案する。
論文 参考訳（メタデータ） (2022-07-19T04:20:39Z) - 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)
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。