Fugu-MT 論文翻訳(概要): Machine-learning accelerated identification of exfoliable two-dimensional materials

論文の概要: Machine-learning accelerated identification of exfoliable two-dimensional materials

arxiv url: http://arxiv.org/abs/2207.12118v1
Date: Mon, 18 Jul 2022 14:48:53 GMT
ステータス: 処理完了
システム内更新日: 2022-07-31 14:32:06.256029
Title: Machine-learning accelerated identification of exfoliable two-dimensional materials
Title（参考訳）: 機械学習による剥離性2次元材料の同定
Authors: Mohammad Tohidi Vahdat, Kumar Agrawal Varoon, and Giovanni Pizzi
Abstract要約: 2次元(2D)材料は、様々な特性を持つため、最近の研究の中心となっている。バルク3次元(3D)材料が弱い結合エネルギーで保持された層によって形成される場合、正確かつ効率的に識別できることが重要である。我々は、高速な幾何学的スクリーニングと組み合わせて、潜在的に剥離可能な材料を効率的に識別できる機械学習(ML)アプローチを開発した。
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: Two-dimensional (2D) materials have been a central focus of recent research because they host a variety of properties, making them attractive both for fundamental science and for applications. It is thus crucial to be able to identify accurately and efficiently if bulk three-dimensional (3D) materials are formed by layers held together by a weak binding energy that, thus, can be potentially exfoliated into 2D materials. In this work, we develop a machine-learning (ML) approach that, combined with a fast preliminary geometrical screening, is able to efficiently identify potentially exfoliable materials. Starting from a combination of descriptors for crystal structures, we work out a subset of them that are crucial for accurate predictions. Our final ML model, based on a random forest classifier, has a very high recall of 98\%. Using a SHapely Additive exPlanations (SHAP) analysis, we also provide an intuitive explanation of the five most important variables of the model. Finally, we compare the performance of our best ML model with a deep neural network architecture using the same descriptors. To make our algorithms and models easily accessible, we publish an online tool on the Materials Cloud portal that only requires a bulk 3D crystal structure as input. Our tool thus provides a practical yet straightforward approach to assess whether any 3D compound can be exfoliated into 2D layers.
Abstract（参考訳）: 2次元(2次元)材料は、様々な特性を持つため、基礎科学と応用の両方に魅力があるため、最近の研究の中心となっている。したがって、バルク3次元(3D)材料が弱い結合エネルギーで保持された層によって形成され、2次元材料に潜在的に剥離できる場合、正確かつ効率的に識別できることが重要である。本研究では,高速な幾何学的スクリーニングと組み合わせて,潜在的に剥離可能な材料を効率的に同定できる機械学習(ML)アプローチを開発する。結晶構造のためのディスクリプタの組み合わせから始め、正確な予測に不可欠な部分集合を作成します。我々の最終MLモデルは、ランダムな森林分類器に基づいており、98倍のリコール率を持つ。また、SHapely Additive exPlanations (SHAP) 解析を用いて、モデルの最も重要な5つの変数を直感的に説明する。最後に、最高のMLモデルの性能を、同じ記述子を使用したディープニューラルネットワークアーキテクチャと比較する。アルゴリズムやモデルをアクセスしやすくするために、Material Cloudポータルにオンラインツールを公開しています。これにより, 任意の3d化合物を2d層に剥離できるかどうかを, 実用的かつ簡便に評価できる。

関連論文リスト

MaterialSeg3D: Segmenting Dense Materials from 2D Priors for 3D Assets [63.284244910964475]
本稿では,2次元のセマンティクスから基礎となる物質を推定する3次元アセット素材生成フレームワークを提案する。このような先行モデルに基づいて,材料を三次元空間で解析する機構を考案する。
論文参考訳（メタデータ） (2024-04-22T07:00:17Z)
Leveraging Large-Scale Pretrained Vision Foundation Models for Label-Efficient 3D Point Cloud Segmentation [67.07112533415116]
本稿では3Dポイントクラウドセグメンテーションタスクに様々な基礎モデルを適用する新しいフレームワークを提案する。我々のアプローチでは、異なる大きな視覚モデルを用いて2次元セマンティックマスクの初期予測を行う。本研究では,ロバストな3Dセマンティックな擬似ラベルを生成するために,投票による全ての結果を効果的に組み合わせたセマンティックなラベル融合戦略を提案する。
論文参考訳（メタデータ） (2023-11-03T15:41:15Z)
EGFN: Efficient Geometry Feature Network for Fast Stereo 3D Object Detection [51.52496693690059]
高速ステレオベース3Dオブジェクト検出器は高精度指向法よりもはるかに遅れている。主な理由として,高速ステレオ法における3次元幾何学的特徴表現の欠如や不足があげられる。提案された EGFN は、YOLOStsereo3D よりも5.16%向上し、mAP$_3d$ をわずか12msで上回った。
論文参考訳（メタデータ） (2021-11-28T05:25:36Z)
How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文参考訳（メタデータ） (2021-11-10T21:19:02Z)
Translational Symmetry-Aware Facade Parsing for 3D Building Reconstruction [11.263458202880038]
本稿では,深部ニューラルネットワーク改善のための新しい翻訳対称性に基づくアプローチを提案する。本研究では,単一段ネットワークにおけるアンカーフリー検出を融合させる新しい手法を提案する。我々はBlenderのような市販のレンダリングエンジンを使用して、手続きモデルを用いて現実的な高品質な3Dモデルを再構築する。
論文参考訳（メタデータ） (2021-06-02T03:10:51Z)
Learning Feature Aggregation for Deep 3D Morphable Models [57.1266963015401]
階層レベルで機能集約を向上するためのマッピング行列を学習するための注意に基づくモジュールを提案する。実験の結果,マッピング行列のエンドツーエンドトレーニングにより,様々な3次元形状データセットの最先端結果が得られることがわかった。
論文参考訳（メタデータ） (2021-05-05T16:41:00Z)
Predicting Material Properties Using a 3D Graph Neural Network with Invariant Local Descriptors [0.4956709222278243]
材料特性を正確に予測することは新しい材料の発見と設計に不可欠である。機械学習の手法の中で、グラフ畳み込みニューラルネットワーク(GCNN)が最も成功したものの一つである。隣接原子間の相互作用を3次元空間で同時にモデル化する,新規な畳み込みを持つ適応型GCNNを提案する。
論文参考訳（メタデータ） (2021-02-16T19:56:54Z)
Generating 3D structures from a 2D slice with GAN-based dimensionality expansion [0.0]
GAN(Generative adversarial Network)は、3D画像データを生成するためのトレーニングが可能で、設計の最適化に役立ちます。本稿では,1つの代表2次元画像を用いて高忠実度3次元データセットを合成できる生成逆ネットワークアーキテクチャであるSliceGANを紹介する。
論文参考訳（メタデータ） (2021-02-10T18:46:17Z)
Generative VoxelNet: Learning Energy-Based Models for 3D Shape Synthesis and Analysis [143.22192229456306]
本稿では,体積形状を表す3次元エネルギーモデルを提案する。提案モデルの利点は6倍である。実験により,提案モデルが高品質な3d形状パターンを生成できることが実証された。
論文参考訳（メタデータ） (2020-12-25T06:09:36Z)
Molecular machine learning with conformer ensembles [0.0]
ChemPropやSchnetなどの主要なアーキテクチャに拡張された複数のディープラーニングモデルを紹介します。次に、これらのモデルの性能トレードオフを2D、3D、4D表現で評価し、薬物活動の予測を行う。新しいアーキテクチャは2Dモデルよりも大幅にパフォーマンスが向上するが、その性能は多くの場合、多くのモデルと同様、単一のコンフォーマを持つ。
論文参考訳（メタデータ） (2020-12-15T17:44:48Z)
3DMaterialGAN: Learning 3D Shape Representation from Latent Space for Materials Science Applications [7.449993399792031]
3DMaterialGANは、モルフォロジーが与えられた3D多結晶材料の微細構造に適合する個々の粒を認識合成することができる。提案手法は, ベンチマークアノテートした3次元データセット上で, 最先端の3次元データよりも比較可能か, あるいは優れていることを示す。この枠組みは多結晶材料の認識と合成の基礎を築いた。
論文参考訳（メタデータ） (2020-07-27T21:55:16Z)

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。