論文の概要: A Machine Learning Method for Material Property Prediction: Example Polymer Compatibility

• arxiv url: http://arxiv.org/abs/2202.13554v1
• Date: Mon, 28 Feb 2022 05:48:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 06:35:52.442084
• Title: A Machine Learning Method for Material Property Prediction: Example Polymer Compatibility
• Title（参考訳）: 材料特性予測のための機械学習手法:高分子の適合例
• Authors: Zhilong Liang, Zhiwei Li, Shuo Zhou, Yiwen Sun, Changshui Zhang, Jinying Yuan
• Abstract要約: 材料特性予測のための新しい汎用機械学習手法を提案する。 代表的な例として, 本手法の有効性を示すために, ポリマーの適合性を選択する。
• 参考スコア（独自算出の注目度）: 39.364776649251944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prediction of material property is a key problem because of its significance to material design and screening. We present a brand-new and general machine learning method for material property prediction. As a representative example, polymer compatibility is chosen to demonstrate the effectiveness of our method. Specifically, we mine data from related literature to build a specific database and give a prediction based on the basic molecular structures of blending polymers and, as auxiliary, the blending composition. Our model obtains at least 75% accuracy on the dataset consisting of thousands of entries. We demonstrate that the relationship between structure and properties can be learned and simulated by machine learning method.
• Abstract（参考訳）: 材料設計とスクリーニングの重要性から, 材料特性の予測は重要な問題である。 材料特性予測のための新しい汎用機械学習手法を提案する。 代表的な例として, 本手法の有効性を示すために, ポリマーの適合性を選択する。 具体的には, 関連文献から得られたデータを抽出し, 特定のデータベースを構築し, ポリマーのブレンディングの基本分子構造に基づく予測を行い, ブレンディング組成物を補助する。 このモデルは、数千のエントリからなるデータセット上で、少なくとも75%の精度を得る。 機械学習によって構造と特性の関係を学習しシミュレーションできることを実証する。

関連論文リスト

• Foundation Model for Composite Materials and Microstructural Analysis [49.1574468325115]
  複合材料に特化して設計された基礎モデルを提案する。 我々のモデルは、頑健な潜伏特性を学習するために、短繊維コンポジットのデータセット上で事前訓練されている。 転送学習中、MMAEはR2スコアが0.959に達し、限られたデータで訓練しても0.91を超えている均質化剛性を正確に予測する。
  論文  参考訳（メタデータ） (2024-11-10T19:06:25Z)
• Extrapolative ML Models for Copolymers [1.901715290314837]
  機械学習モデルは、材料特性の予測に徐々に使われてきた。 これらのモデルは本質的に補間的であり、物質の既知の特性範囲外の候補を探索するための有効性は未解決である。 本稿では,MLモデルの外挿能力,トレーニングデータセットのサイズと範囲,学習アプローチとの関係について検討する。
  論文  参考訳（メタデータ） (2024-09-15T11:02:01Z)
• Data-efficient and Interpretable Inverse Materials Design using a Disentangled Variational Autoencoder [2.563209727695243]
  逆材料設計は、新しい物質発見の加速に成功している。 多くの逆材料設計法では、教材表現のコンパクトな記述を提供するために潜在空間を学習する教師なし学習を用いる。 本稿では,不整合変分オートエンコーダをベースとした半教師付き学習手法を提案し,特徴,潜伏変数,対象特性の確率的関係を学習する。
  論文  参考訳（メタデータ） (2024-09-10T02:21:13Z)
• Alchemist: Parametric Control of Material Properties with Diffusion Models [51.63031820280475]
  本手法は,フォトリアリズムで知られているテキスト・イメージ・モデルの生成先行に乗じる。 我々は,NeRFの材料化へのモデルの適用の可能性を示す。
  論文  参考訳（メタデータ） (2023-12-05T18:58:26Z)
• Automatically Predict Material Properties with Microscopic Image Example Polymer Compatibility [94.40113383292139]
  機械学習を用いたコンピュータ画像認識は、人工判定の欠陥を補うことができる。 畳み込みニューラルネットワークとトランスファーラーニング手法を用いて、自動誤認認識を実現する。 提案手法は, 各種材料の微細構造と物性の定量的評価に広く応用できる。
  論文  参考訳（メタデータ） (2023-03-22T07:51:32Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Improving VAE based molecular representations for compound property prediction [0.0]
  機械学習モデルの化学特性予測性能を簡易に向上する手法を提案する。 本稿では,プロパティ予測モデルの性能と,プロパティ予測データセットとより大きなラベル付きデータセットとの距離の関係を示す。
  論文  参考訳（メタデータ） (2022-01-13T12:57:11Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)
• Machine Learning for Material Characterization with an Application for Predicting Mechanical Properties [0.0]
  本研究では,材料特性予測における機械学習手法の有用性について検討する。 業界では、引張テスト、圧縮テスト、クリープテストのような材料テストは、しばしば時間がかかり、実行するのにコストがかかる。 本研究は, 各種材料特性の究極的引張強度決定のための小型パンチ試験データへの機械学習手法の適用について検討した。
  論文  参考訳（メタデータ） (2020-10-12T20:30:27Z)
• Machine learning with persistent homology and chemical word embeddings improves prediction accuracy and interpretability in metal-organic frameworks [0.07874708385247352]
  材料の構造と化学の複雑な表現をキャプチャする記述子を自動的に生成するエンド・ツー・エンドの機械学習モデルを提案する。 物質系から直接、幾何学的および化学的情報をカプセル化する。 提案手法は, 対象物間での精度, 転送可能性の両面において, 一般的に用いられている手作業による特徴量から構築したモデルに比べ, かなり改善されている。
  論文  参考訳（メタデータ） (2020-10-01T16:31:46Z)

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。