Fugu-MT 論文翻訳(概要): Naturally-meaningful and efficient descriptors: machine learning of material properties based on robust one-shot ab initio descriptors

論文の概要: Naturally-meaningful and efficient descriptors: machine learning of material properties based on robust one-shot ab initio descriptors

arxiv url: http://arxiv.org/abs/2203.03392v1
Date: Wed, 2 Mar 2022 12:38:45 GMT
ステータス: 処理完了
システム内更新日: 2022-03-13 13:24:38.097563
Title: Naturally-meaningful and efficient descriptors: machine learning of material properties based on robust one-shot ab initio descriptors
Title（参考訳）: 自然に意味のある効率的な記述子:頑健な単発ab initio記述子に基づく材料特性の機械学習
Authors: Sherif Abdulkader Tawfik and Salvy P. Russo
Abstract要約: 本稿では,ロバスト・ワンショット・アブ・イニシアト (ROSA) という,結晶構造を記述するための新しい記述子を提案する。 ROSAは計算コストが低く、様々な材料特性を正確に予測できる。本研究では,ROSAディスクリプタをMLに基づく特性予測に組み込むことで,幅広い結晶,アモルファス化結晶,金属-有機系,分子の正確な予測が可能になることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Establishing a data-driven pipeline for the discovery of novel materials requires the engineering of material features that can be feasibly calculated and can be applied to predict a material's target properties. Here we propose a new class of descriptors for describing crystal structures, which we term Robust One-Shot Ab initio (ROSA) descriptors. ROSA is computationally cheap and is shown to accurately predict a range of material properties. These simple and intuitive class of descriptors are generated from the energetics of a material at a low level of theory using an incomplete ab initio calculation. We demonstrate how the incorporation of ROSA descriptors in ML-based property prediction leads to accurate predictions over a wide range of crystals, amorphized crystals, metal-organic frameworks and molecules. We believe that the low computational cost and ease of use of these descriptors will significantly improve ML-based predictions.
Abstract（参考訳）: 新規な材料発見のためのデータ駆動パイプラインの確立には、実現可能な計算が可能で、素材のターゲット特性の予測に応用可能な材料特徴のエンジニアリングが必要である。本稿では,結晶構造を記述するための新しい分類法を提案し,ロバスト・ワンショット・インニティオ (rosa) ディスクリプタと呼ぶ。 ROSAは計算コストが低く、様々な材料特性を正確に予測できる。これらの単純で直感的な記述子は、不完全なab initio計算を用いて低レベルの理論で材料のエネルギーから生成される。本研究では,ROSAディスクリプタをMLに基づく特性予測に組み込むことで,幅広い結晶,アモルファス化結晶,金属-有機系,分子の正確な予測が可能になることを示す。計算コストの低さとディスクリプタの使用の容易さがmlベースの予測を大幅に改善すると信じています。

関連論文リスト

Self-supervised learning for crystal property prediction via denoising [43.148818844265236]
材料特性予測のための新たな自己教師型学習(SSL)戦略を提案する。本手法は, 自己教師付き学習(CDSSL)の結晶化であり, 有意な材料構造を復元する前提条件付き予測モデルを事前訓練する。 CDSSLモデルがSSLなしでトレーニングされたモデル、素材タイプ、プロパティ、データセットサイズを上回るパフォーマンスを示す。
論文参考訳（メタデータ） (2024-08-30T12:53:40Z)
SciQu: Accelerating Materials Properties Prediction with Automated Literature Mining for Self-Driving Laboratories [0.7673339435080445]
特定の属性を予測するために異なる材料特性を評価することは、材料科学に基づく応用の基本的な要件である。本研究は,機械学習を利用して材料特性を高精度かつ効率的に解析することにより,これらの課題に対処する。データ抽出を自動化し、抽出した情報を用いて機械学習モデルを訓練することにより、開発したSciQuは材料特性を最適化する。
論文参考訳（メタデータ） (2024-07-11T08:12:46Z)
Data-freeWeight Compress and Denoise for Large Language Models [101.53420111286952]
パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
論文参考訳（メタデータ） (2024-02-26T05:51:47Z)
Materials Expert-Artificial Intelligence for Materials Discovery [39.67752644916519]
我々は,この人間の直感をカプセル化し,具体化するために,"Materials Expert-Artificial Intelligence"(ME-AI)を導入する。 ME-AIは専門家の直観を独立して再現し、それを拡張した。私たちの成功は、機械学習に支援された材料発見を約束するものとして、“マシンボットによる人間の洞察”アプローチを指摘しています。
論文参考訳（メタデータ） (2023-12-05T14:29:18Z)
On the importance of catalyst-adsorbate 3D interactions for relaxed energy predictions [98.70797778496366]
吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
論文参考訳（メタデータ） (2023-10-10T14:57:04Z)
Towards out-of-distribution generalizable predictions of chemical kinetics properties [61.15970601264632]
Out-Of-Distribution (OOD) の運動特性予測は一般化可能である必要がある。本稿では,OODの運動特性予測を3つのレベル(構造,条件,機構)に分類する。我々は、OOD設定における反応予測のための最先端MLアプローチと、速度論的特性予測問題における最先端グラフOOD手法をベンチマークするために、包括的なデータセットを作成する。
論文参考訳（メタデータ） (2023-10-04T20:36:41Z)
Interpretable Ensemble Learning for Materials Property Prediction with Classical Interatomic Potentials: Carbon as an Example [3.848961327213375]
機械学習(ML)は結晶材料の探索や特性の予測に広く用いられている。回帰木からなるアンサンブル学習に基づく手法を提案し, 生成エネルギーと弾性定数を予測する。記述子を使用しなければ、入力は9つの古典的原子間ポテンシャルを持つ分子動力学によって計算される特性である。
論文参考訳（メタデータ） (2023-07-24T19:10:13Z)
Formula graph self-attention network for representation-domain independent materials discovery [3.67735033631952]
本稿では,理論のみと構造に基づく材料記述子の両方を統一する公式グラフの新たな概念を提案する。本稿では,式グラフに類似した自己注意統合GNNを開発し,提案アーキテクチャが2つの領域間で伝達可能な材料埋め込みを生成することを示す。我々のモデルは、構造に依存しない従来のGNNよりも大幅に優れています。
論文参考訳（メタデータ） (2022-01-14T19:49:45Z)
Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文参考訳（メタデータ） (2021-10-18T14:43:50Z)
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。