論文の概要: Data-based Polymer-Unit Fingerprint (PUFp): A Newly Accessible
Expression of Polymer Organic Semiconductors for Machine Learning
- arxiv url: http://arxiv.org/abs/2211.01583v1
- Date: Thu, 3 Nov 2022 04:29:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 14:21:54.411475
- Title: Data-based Polymer-Unit Fingerprint (PUFp): A Newly Accessible
Expression of Polymer Organic Semiconductors for Machine Learning
- Title(参考訳): data-based polymer-unit fingerprint (pufp) : 機械学習のための新規な高分子有機半導体表現
- Authors: Xinyue Zhang and Genwang Wei and Ye Sheng and Jiong Yang and Caichao
Ye and Wenqing Zhang
- Abstract要約: ポリマーユニット指紋(PUFp)生成フレームワークについて述べる。
機械学習(ML)モデルは、構造-移動関係を決定するために使用できる。
本稿では,MLアプローチとPUFp情報を組み合わせて,高分子有機半導体(OSC)の設計手法を提案する。
- 参考スコア(独自算出の注目度): 5.971279231554697
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the process of finding high-performance organic semiconductors (OSCs), it
is of paramount importance in material development to identify important
functional units that play key roles in material performance and subsequently
establish substructure-property relationships. Herein, we describe a
polymer-unit fingerprint (PUFp) generation framework. Machine learning (ML)
models can be used to determine structure-mobility relationships by using PUFp
information as structural input with 678 pieces of collected OSC data. A
polymer-unit library consisting of 445 units is constructed, and the key
polymer units for the mobility of OSCs are identified. By investigating the
combinations of polymer units with mobility performance, a scheme for designing
polymer OSC materials by combining ML approaches and PUFp information is
proposed to not only passively predict OSC mobility but also actively provide
structural guidance for new high-mobility OSC material design. The proposed
scheme demonstrates the ability to screen new materials through pre-evaluation
and classification ML steps and is an alternative methodology for applying ML
in new high-mobility OSC discovery.
- Abstract(参考訳): 高性能有機半導体(OSC)の発見過程において, 材料性能において重要な役割を担う重要な機能ユニットを同定し, サブ構造・物性関係を確立することが, 材料開発において最重要となる。
本稿では,高分子ユニット指紋(PUFp)生成フレームワークについて述べる。
機械学習(ML)モデルは、678個のOSCデータを収集した構造入力としてPUFp情報を使用することで、構造-運動関係を決定できる。
445ユニットからなるポリマーユニットライブラリを構築し、OSCの移動性のための鍵となるポリマーユニットを同定する。
ポリマーユニットと移動性能の組み合わせを調べた結果,MLアプローチとPUFp情報を組み合わせた高分子OSC材料の設計手法が提案され,OSCの流動性を受動的に予測するだけでなく,新しい高流動OSC材料設計のための構造ガイダンスも積極的に提供する。
提案手法は,MLの事前評価と分類によって新たな材料をスクリーニングする能力を示し,新たなOSC発見にMLを適用するための代替手法である。
関連論文リスト
- MatPlotAgent: Method and Evaluation for LLM-Based Agentic Scientific
Data Visualization [88.72769238904908]
MatPlotAgentは、科学的データ可視化タスクを自動化するために設計された、モデルに依存しないフレームワークである。
MatPlotBenchは、100人の検証されたテストケースからなる高品質なベンチマークである。
論文 参考訳(メタデータ) (2024-02-18T04:28:28Z) - Structured Entity Extraction Using Large Language Models [54.53348483973769]
大規模言語モデル(LLM)は、構造化されていないテキストから構造化された情報を抽出する上で重要な役割を果たす。
本稿では,構造化エンティティ抽出における現行手法の課題と限界について考察する。
本研究では,LLMのパワーを有効・効率的に活用する新しいモデルを提案する。
論文 参考訳(メタデータ) (2024-02-06T22:15:09Z) - LS-DYNA Machine Learning-based Multiscale Method for Nonlinear Modeling
of Short Fiber-Reinforced Composites [7.891561501854125]
短繊維強化複合材料(英: short-fiber-reinforceed Composites、SFRC)は、自動車やエレクトロニクス産業における軽量構造応用のための高性能な工学材料である。
本研究では, 射出成形による微細構造, 材料均質化, 深層材料ネットワーク(DMN)を統合し, SFRCの構造解析を行う機械学習によるマルチスケール手法を提案する。
論文 参考訳(メタデータ) (2023-01-06T22:33:19Z) - Data-driven multi-scale modeling and robust optimization of composite
structure with uncertainty quantification [0.42581756453559755]
この章では、先進的なデータ駆動手法を示し、先進的な複合材料をマルチスケールでモデリングするために開発・追加する能力について概説する。
代理モデル/エミュレータによって駆動される有限要素法(FEM)シミュレーションに基づく複合構造物のマルチスケールモデリング手法を提案する。
論文 参考訳(メタデータ) (2022-10-13T16:40:11Z) - SIM-Trans: Structure Information Modeling Transformer for Fine-grained
Visual Categorization [59.732036564862796]
本稿では,オブジェクト構造情報を変換器に組み込んだSIM-Trans(Structure Information Modeling Transformer)を提案する。
提案した2つのモジュールは軽量化されており、任意のトランスフォーマーネットワークにプラグインでき、エンドツーエンドで容易に訓練できる。
実験と解析により,提案したSIM-Transが細粒度視覚分類ベンチマークの最先端性能を達成することを示した。
論文 参考訳(メタデータ) (2022-08-31T03:00:07Z) - Polymer Informatics: Current Status and Critical Next Steps [1.3238373064156097]
サロゲートモデルは、インスタントプロパティ予測のために利用可能なポリマーデータに基づいて訓練される。
データ駆動型戦略は, 高分子の化学的, 物理的多様性から生じる特異な課題に, 小規模かつ大規模に対処するものである。
アプリケーションターゲットを満たす高度なAIアルゴリズムを用いて, 高分子レコメンデーションを行う逆問題の解法について検討している。
論文 参考訳(メタデータ) (2020-11-01T14:17:22Z) - Machine Learning Force Fields [54.48599172620472]
機械学習(ML)は、計算化学の多くの進歩を可能にした。
最も有望な応用の1つは、MLベースの力場(FF)の構築である。
本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
論文 参考訳(メタデータ) (2020-10-14T13:14:14Z) - A Supervised Machine Learning Approach for Accelerating the Design of
Particulate Composites: Application to Thermal Conductivity [0.0]
粒子状多機能複合材料の設計のための教師付き機械学習(ML)に基づく計算手法を提案する。
設計変数(英: design variables)は、材料のミクロ構造と材料の性質を直接リンクする物理的記述子である。
最適化ML法は, 生成データベース上で学習し, 構造と特性の複雑な関係を確立する。
論文 参考訳(メタデータ) (2020-09-30T18:18:00Z) - Augmentation of the Reconstruction Performance of Fuzzy C-Means with an
Optimized Fuzzification Factor Vector [99.19847674810079]
Fuzzy C-Means (FCM) は情報グラニュラーを構成する最も頻繁に使用される手法の1つである。
本稿では, ファジィ化因子のベクトルを導入することにより, FCMに基づく脱顆粒機構を増強する。
合成データセットと公開データセットの両方で実験が完了し、提案手法が汎用データ再構成手法より優れていることが示された。
論文 参考訳(メタデータ) (2020-04-13T04:17:30Z) - Intelligent multiscale simulation based on process-guided composite
database [0.0]
本稿では、プロセスモデリング、材料均質化、機械学習に基づく統合データ駆動モデリングフレームワークを提案する。
我々は, 自動車, 航空宇宙, エレクトロニクス産業において重要な材料システムとして認識されてきた, 射出成形した短繊維強化複合材料に興味を持っている。
論文 参考訳(メタデータ) (2020-03-20T20:39:19Z) - Meta Matrix Factorization for Federated Rating Predictions [84.69112252208468]
フェデレートされたレコメンデーターシステムは、従来のレコメンデーターシステムよりもプライバシー保護という点で明確なアドバンテージを持っている。
フェデレートされたレコメンデータシステムに関するこれまでの研究は、モバイル環境におけるストレージ、RAM、エネルギ、通信帯域の制限を十分に考慮していない。
本研究の目的は,モバイル環境を対象としたレーティング予測(RP)のための新しい統合学習フレームワークを設計することである。
論文 参考訳(メタデータ) (2019-10-22T16:29:51Z)
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。