論文の概要: Deep Reinforcement Learning for Inverse Inorganic Materials Design

• arxiv url: http://arxiv.org/abs/2210.11931v1
• Date: Fri, 21 Oct 2022 13:06:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 16:14:17.723234
• Title: Deep Reinforcement Learning for Inverse Inorganic Materials Design
• Title（参考訳）: 逆無機材料設計のための深部強化学習
• Authors: Elton Pan, Christopher Karpovich and Elsa Olivetti
• Abstract要約: 逆無機材料設計のための強化学習(RL)手法を提案する。 本モデルは, 化学多様性と特異性を維持しながら, 電荷や電子陰性性中立性などの化学ガイドラインを学習する。 このアプローチを用いて、モデルが有望な化合物を予測し、無機物質発見のための最適化された化学設計空間を提案する。
• 参考スコア（独自算出の注目度）: 0.09208007322096533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A major obstacle to the realization of novel inorganic materials with desirable properties is the inability to perform efficient optimization across both materials properties and synthesis of those materials. In this work, we propose a reinforcement learning (RL) approach to inverse inorganic materials design, which can identify promising compounds with specified properties and synthesizability constraints. Our model learns chemical guidelines such as charge and electronegativity neutrality while maintaining chemical diversity and uniqueness. We demonstrate a multi-objective RL approach, which can generate novel compounds with targeted materials properties including formation energy and bulk/shear modulus alongside a lower sintering temperature synthesis objectives. Using this approach, the model can predict promising compounds of interest, while suggesting an optimized chemical design space for inorganic materials discovery.
• Abstract（参考訳）: 望ましい性質を持つ新規無機材料の実現への大きな障害は、材料特性とそれらの合成の両方を効率的に最適化できないことである。 本研究では, 無機材料を逆設計する強化学習(RL)手法を提案し, 特定の性質と合成性制約を有する有望な化合物を同定する。 本モデルは, 化学多様性と特異性を維持しながら, 電荷や電子陰性性中立性などの化学ガイドラインを学習する。 本研究では, 焼結温度の低い合成目的とともに, 生成エネルギーやバルク/シャイ率を含む新規な材料特性を有する化合物を生成できる多目的RL法を実証する。 このアプローチを用いて、このモデルは有望な化合物を予測でき、また無機材料の発見に最適化された化学設計空間を示唆する。

関連論文リスト

• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Large Language Model-Guided Prediction Toward Quantum Materials Synthesis [1.3615110145289984]
  無機材料の合成経路を予測するために,大規模言語モデル (LLM) を用いたフレームワークを提案する。 LHS2RHS, RHS2LHS, RHS2LHS, RHS2LHS, TGT2CEQの3つのモデルからなる。
  論文  参考訳（メタデータ） (2024-10-28T12:50:46Z)
• 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)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• VAE for Modified 1-Hot Generative Materials Modeling, A Step Towards Inverse Material Design [0.0]
  材料設計において, 所定の特性を持つ材料を設計しようとする場合, 提案する新素材の合成可能性を確保することが重要な課題である。 私たちは、暗黙のデータセット関係、すなわち、ある物質をデータセット内の他の物質に分解することができることをエンコードします。 本稿では,この特性を潜在空間に保持し,新しいサンプルを生成可能なVAEモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-25T04:04:47Z)
• MatterGen: a generative model for inorganic materials design [20.119976243451216]
  本稿では,周期表上で安定かつ多様な無機物質を生成するモデルであるMatterGenを提案する。 MatterGenが生成した以前の生成モデルと比較すると、新規で安定な構造になる確率は2倍以上である。 磁気密度の高い構造と,サプライチェーンリスクの低い化学組成を兼ね備えた多目的材料設計能力を実証した。
  論文  参考訳（メタデータ） (2023-12-06T18:52:16Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• 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)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)
• MLSolv-A: A Novel Machine Learning-Based Prediction of Solvation Free Energies from Pairwise Atomistic Interactions [0.0]
  MLに基づく新しい解法モデルを導入し, 対の原子間相互作用から解エネルギーを計算する。 6,493実験の結果, トレーニングデータの拡大に際し, 優れた性能と伝達性を実現した。
  論文  参考訳（メタデータ） (2020-05-13T06:53:54Z)
• CogMol: Target-Specific and Selective Drug Design for COVID-19 Using Deep Generative Models [74.58583689523999]
  新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。 CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。 CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
  論文  参考訳（メタデータ） (2020-04-02T18:17:20Z)

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。