論文の概要: Benchmarking Active Learning Strategies for Materials Optimization and Discovery

• arxiv url: http://arxiv.org/abs/2204.05838v1
• Date: Tue, 12 Apr 2022 14:27:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-13 14:34:01.331726
• Title: Benchmarking Active Learning Strategies for Materials Optimization and Discovery
• Title（参考訳）: 材料最適化と発見のためのアクティブラーニング戦略のベンチマーク
• Authors: Alex Wang, Haotong Liang, Austin McDannald, Ichiro Takeuchi, A. Gilad Kusne
• Abstract要約: 本稿では,様々な獲得関数の形で,アクティブな学習戦略をベンチマークするための参照データセットを提案する。 本稿では,アルゴリズムの性能,材料探索空間,複雑さ,事前知識の具体化との関係について論じる。
• 参考スコア（独自算出の注目度）: 17.8738267360992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous physical science is revolutionizing materials science. In these systems, machine learning controls experiment design, execution, and analysis in a closed loop. Active learning, the machine learning field of optimal experiment design, selects each subsequent experiment to maximize knowledge toward the user goal. Autonomous system performance can be further improved with implementation of scientific machine learning, also known as inductive bias-engineered artificial intelligence, which folds prior knowledge of physical laws (e.g., Gibbs phase rule) into the algorithm. As the number, diversity, and uses for active learning strategies grow, there is an associated growing necessity for real-world reference datasets to benchmark strategies. We present a reference dataset and demonstrate its use to benchmark active learning strategies in the form of various acquisition functions. Active learning strategies are used to rapidly identify materials with optimal physical properties within a ternary materials system. The data is from an actual Fe-Co-Ni thin-film library and includes previously acquired experimental data for materials compositions, X-ray diffraction patterns, and two functional properties of magnetic coercivity and the Kerr rotation. Popular active learning methods along with a recent scientific active learning method are benchmarked for their materials optimization performance. We discuss the relationship between algorithm performance, materials search space complexity, and the incorporation of prior knowledge.
• Abstract（参考訳）: 自律物理科学は物質科学に革命をもたらす。 これらのシステムでは、機械学習は実験の設計、実行、分析を閉じたループで制御する。 最適な実験設計の機械学習分野であるアクティブラーニングは、各実験を選択し、ユーザ目標に向けた知識を最大化する。 自律システムの性能は、帰納的バイアスエンジニアリング人工知能(inductive bias-engineered intelligence)としても知られる科学機械学習の実装によってさらに改善され、物理法則(例えばギブス位相規則)の事前の知識をアルゴリズムに折り畳むことができる。 アクティブな学習戦略の数、多様性、利用が増加するにつれ、実世界の参照データセットがベンチマーク戦略として必要となる。 参照データセットを提示し、様々な獲得関数の形式で能動的学習戦略のベンチマークを行う。 アクティブラーニング戦略は、三元系において最適な物理特性を持つ材料を迅速に識別するために用いられる。 データは実際のFe-Co-Ni薄膜ライブラリから取得され、材料組成、X線回折パターン、磁気保磁力とカー回転の2つの機能特性の実験データを含む。 一般的なアクティブラーニング手法と最近の科学的なアクティブラーニング手法は,材料最適化性能のベンチマークを行う。 本稿では,アルゴリズムの性能,材料探索空間の複雑さ,事前知識の導入との関係について論じる。

関連論文リスト

• Active Learning for Derivative-Based Global Sensitivity Analysis with Gaussian Processes [70.66864668709677]
  高価なブラックボックス関数のグローバル感度解析におけるアクティブラーニングの問題点を考察する。 関数評価は高価であるため,最も価値の高い実験資源の優先順位付けにアクティブラーニングを利用する。 本稿では,デリバティブに基づくグローバル感度測定の重要量を直接対象とする,新たな能動的学習獲得関数を提案する。
  論文  参考訳（メタデータ） (2024-07-13T01:41:12Z)
• Advancing Deep Active Learning & Data Subset Selection: Unifying Principles with Information-Theory Intuitions [3.0539022029583953]
  本論文は,ディープラーニングモデルのラベルとトレーニング効率を向上させることにより,ディープラーニングの実践性を高めることを目的とする。 本稿では,情報理論の原理に基づくデータサブセット選択手法,特にアクティブラーニングとアクティブサンプリングについて検討する。
  論文  参考訳（メタデータ） (2024-01-09T01:41:36Z)
• Symbolic Learning for Material Discovery [0.0]
  SyMDisは記号学習に基づく効率的な最適化手法である。 SyMDisは最先端のオプティマイザと互換性があり、物理的および化学的検証を支援するための解釈可能なルールを学習する。
  論文  参考訳（メタデータ） (2023-11-30T15:56:00Z)
• Multimodal machine learning for materials science: composition-structure bimodal learning for experimentally measured properties [4.495968252019426]
  本稿では,構成構造ビモーダル学習による材料科学におけるマルチモーダル機械学習の新しいアプローチを提案する。 提案するCOSNetは,不完全な構造情報を持つ実験材料特性の学習と予測を強化するために設計されている。
  論文  参考訳（メタデータ） (2023-08-04T02:04:52Z)
• LIBERO: Benchmarking Knowledge Transfer for Lifelong Robot Learning [64.55001982176226]
  LIBEROは、ロボット操作のための生涯学習の新しいベンチマークである。 宣言的知識、手続き的知識、あるいは両者の混在を効率的に伝達する方法に焦点を当てる。 我々は、無限に多くのタスクを生成できる拡張可能な手続き生成パイプラインを開発した。
  論文  参考訳（メタデータ） (2023-06-05T23:32:26Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Physics in the Machine: Integrating Physical Knowledge in Autonomous Phase-Mapping [10.629434761354938]
  科学インフォームドAIや科学AIは、データ分析から、クローズドループ自律システムにおける実験設計、シミュレーション、実行、分析まで、成長してきた。 CAMEOアルゴリズムは、物質系の構成構造関係を学習し、最適な機能特性を持つ材料組成を特定するという2つの課題に対処するために、科学的なAIを使用する。
  論文  参考訳（メタデータ） (2021-11-15T00:48:34Z)
• Rebuilding Trust in Active Learning with Actionable Metrics [77.99796068970569]
  アクティブラーニング(AL)は研究の活発な領域であるが、プレッシャーのあるニーズにもかかわらず、業界ではほとんど使われない。 これは部分的には目的のずれによるものであり、研究は選択したデータセットで最高の結果を得るよう努力している。 積極的学習における産業実践者の信頼回復を支援するために,様々な活動可能な指標を提示する。
  論文  参考訳（メタデータ） (2020-12-18T09:34:59Z)
• A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
  本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。 我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。 我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
  論文  参考訳（メタデータ） (2020-11-17T22:24:26Z)
• Probabilistic Active Meta-Learning [15.432006404678981]
  先行経験に基づくタスク選択をメタ学習アルゴリズムに導入する。 シミュレーションロボット実験の強いベースラインと比較して,本手法がデータ効率を向上させるという実証的証拠を提供する。
  論文  参考訳（メタデータ） (2020-07-17T12:51:42Z)
• Bayesian active learning for production, a systematic study and a reusable library [85.32971950095742]
  本稿では,現在のアクティブラーニング技術の主な欠点について分析する。 実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。 部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
  論文  参考訳（メタデータ） (2020-06-17T14:51:11Z)

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。