論文の概要: Artificial Intelligence in Material Engineering: A review on
applications of AI in Material Engineering
- arxiv url: http://arxiv.org/abs/2209.11234v3
- Date: Thu, 27 Apr 2023 13:16:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-28 17:13:39.638453
- Title: Artificial Intelligence in Material Engineering: A review on
applications of AI in Material Engineering
- Title（参考訳）: 材料工学における人工知能: 材料工学におけるAIの応用に関するレビュー
- Authors: Lipichanda Goswami, Manoj Deka and Mohendra Roy
- Abstract要約: 高性能コンピューティングにより、重要なパラメータでディープラーニング(DL)モデルをテストできるようになった。
GAN(Generative Adversarial Network)は、無機材料の化学組成の生成を促進する。
既存の分析機器からの結果を分析するためのAIの利用についても論じる。
- 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: The role of artificial intelligence (AI) in material science and engineering
(MSE) is becoming increasingly important as AI technology advances. The
development of high-performance computing has made it possible to test deep
learning (DL) models with significant parameters, providing an opportunity to
overcome the limitation of traditional computational methods, such as density
functional theory (DFT), in property prediction. Machine learning (ML)-based
methods are faster and more accurate than DFT-based methods. Furthermore, the
generative adversarial networks (GANs) have facilitated the generation of
chemical compositions of inorganic materials without using crystal structure
information. These developments have significantly impacted material
engineering (ME) and research. Some of the latest developments in AI in ME
herein are reviewed. First, the development of AI in the critical areas of ME,
such as in material processing, the study of structure and material property,
and measuring the performance of materials in various aspects, is discussed.
Then, the significant methods of AI and their uses in MSE, such as graph neural
network, generative models, transfer of learning, etc. are discussed. The use
of AI to analyze the results from existing analytical instruments is also
discussed. Finally, AI's advantages, disadvantages, and future in ME are
discussed.
- Abstract（参考訳）: 物質科学と工学(MSE)における人工知能(AI)の役割は、AI技術の進歩とともにますます重要になりつつある。
高性能コンピューティングの開発により、大きなパラメータを持つディープラーニング(DL)モデルをテストすることが可能となり、特性予測において密度汎関数理論(DFT)のような従来の計算手法の限界を克服する機会となった。
機械学習(ML)ベースの手法は、DFTベースの手法よりも高速で正確である。
さらに, 生成逆数ネットワーク(GAN)は, 結晶構造情報を使わずに無機材料の化学組成の生成を促進する。
これらの開発は材料工学(ME)と研究に大きな影響を与えた。
ここでは、MEにおけるAIの最新開発についてレビューする。
まず, 材料加工, 構造と材料特性の研究, 各種面における材料性能の測定など, MEの重要領域におけるAIの開発について論じる。
次に、グラフニューラルネットワーク、生成モデル、学習の伝達など、MSEにおけるAIの重要な方法とその利用について論じる。
既存の分析機器からの結果を分析するためのAIの利用についても論じる。
最後に、MEにおけるAIのアドバンテージ、デメリット、将来について論じる。
関連論文リスト
- AI-driven inverse design of materials: Past, present and future [5.813167950821478]
人間は長い間、多数の実験を通じて新しい物質を探索し、新しい物質の性質と構造を予測するための対応する理論システムを提案してきた。
計算能力の向上により、研究者は徐々に様々な電子構造計算手法を開発してきた。
近年,計算機科学分野における人工知能技術の急速な発展により,材料特性と構造との暗黙的関連が効果的に評価されるようになった。
生成的および識別的モデルに基づく素材の逆設計において顕著な進歩が見られ、研究者から広く注目を集めている。
論文 参考訳（メタデータ） (2024-11-14T13:25:04Z) - Explainable Artificial Intelligence Techniques for Accurate Fault Detection and Diagnosis: A Review [0.0]
この文脈でeXplainable AI(XAI)ツールとテクニックをレビューする。
私たちは、AI決定を透明にする彼らの役割、特に人間が関与する重要なシナリオに重点を置いています。
モデル性能と説明可能性のバランスをとることを目的とした,現在の限界と今後の研究について論じる。
論文 参考訳（メタデータ） (2024-04-17T17:49:38Z) - Generative AI Agent for Next-Generation MIMO Design: Fundamentals, Challenges, and Vision [76.4345564864002]
次世代の多重入力多重出力(MIMO)はインテリジェントでスケーラブルであることが期待される。
本稿では、カスタマイズされた特殊コンテンツを生成することができる生成型AIエージェントの概念を提案する。
本稿では、生成AIエージェントをパフォーマンス分析に活用することの有効性を示す2つの説得力のあるケーススタディを示す。
論文 参考訳（メタデータ） (2024-04-13T02:39:36Z) - An Autonomous Large Language Model Agent for Chemical Literature Data
Mining [60.85177362167166]
本稿では,幅広い化学文献から高忠実度抽出が可能なエンドツーエンドAIエージェントフレームワークを提案する。
本フレームワークの有効性は,反応条件データの精度,リコール,F1スコアを用いて評価する。
論文 参考訳（メタデータ） (2024-02-20T13:21:46Z) - MatChat: A Large Language Model and Application Service Platform for
Materials Science [18.55541324347915]
我々は、LLaMA2-7Bモデルのパワーを活用し、13,878個の構造化材料知識データを組み込んだ学習プロセスを通じて、LLaMA2-7Bモデルを強化する。
MatChatという名前のこの専門的なAIモデルは、無機物質合成経路の予測に焦点を当てている。
MatChatは現在オンラインでアクセス可能であり、モデルとアプリケーションフレームワークの両方をオープンソースとして利用できる。
論文 参考訳（メタデータ） (2023-10-11T05:11:46Z) - AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。
本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。
実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
論文 参考訳（メタデータ） (2023-10-03T06:55:19Z) - Artificial intelligence approaches for materials-by-design of energetic
materials: state-of-the-art, challenges, and future directions [0.0]
我々は,AIによる材料設計の進歩とそのエネルギー材料への応用についてレビューする。
文献における手法を,少数のデータから学習する能力の観点から評価する。
本稿では,メタラーニング,アクティブラーニング,ベイズラーニング,半/弱教師付きラーニングなど,EM教材の今後の研究方向性について提案する。
論文 参考訳（メタデータ） (2022-11-15T14:41:11Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。
特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - Measuring Ethics in AI with AI: A Methodology and Dataset Construction [1.6861004263551447]
我々は、AI技術のこのような新しい機能を使用して、AI測定能力を増強することを提案する。
我々は倫理的問題や関心事に関連する出版物を分類するモデルを訓練する。
私たちは、AIメトリクス、特に信頼できる公正なAIベースのツールや技術開発への彼らの貢献の意味を強調します。
論文 参考訳（メタデータ） (2021-07-26T00:26:12Z) - Empowering Things with Intelligence: A Survey of the Progress,
Challenges, and Opportunities in Artificial Intelligence of Things [98.10037444792444]
AIがIoTをより速く、より賢く、よりグリーンで、より安全にするための力を与える方法を示します。
まず、認識、学習、推論、行動の4つの視点から、IoTのためのAI研究の進歩を示す。
最後に、私たちの世界を深く再形成する可能性が高いAIoTの有望な応用をいくつかまとめる。
論文 参考訳（メタデータ） (2020-11-17T13:14:28Z) - 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。