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
- Assessing data-driven predictions of band gap and electrical conductivity for transparent conducting materials [10.3054383984768]
本稿では,新しい透明導電材料発見の促進を目的としたデータ駆動型フレームワークを提案する。
利用可能なデータの不足を軽減するため、ユニークな実験データベースを作成し、検証する。
我々は、既知のTCMの典型的な要素を含む55の合成の一覧において、本手法を検証した。
論文 参考訳（メタデータ） (2024-11-21T11:37:05Z) - Extrapolative ML Models for Copolymers [1.901715290314837]
機械学習モデルは、材料特性の予測に徐々に使われてきた。
これらのモデルは本質的に補間的であり、物質の既知の特性範囲外の候補を探索するための有効性は未解決である。
本稿では,MLモデルの外挿能力,トレーニングデータセットのサイズと範囲,学習アプローチとの関係について検討する。
論文 参考訳（メタデータ） (2024-09-15T11:02:01Z) - Configurable Foundation Models: Building LLMs from a Modular Perspective [115.63847606634268]
LLMを多数の機能モジュールに分解する傾向が高まり、複雑なタスクに取り組むためにモジュールの一部とモジュールの動的アセンブリを推論することができる。
各機能モジュールを表すブロックという用語を造語し、モジュール化された構造をカスタマイズ可能な基礎モデルとして定義する。
検索とルーティング,マージ,更新,成長という,レンガ指向の4つの操作を提示する。
FFN層はニューロンの機能的特殊化と機能的ニューロン分割を伴うモジュラーパターンに従うことが判明した。
論文 参考訳（メタデータ） (2024-09-04T17:01:02Z) - Leveraging Chemistry Foundation Models to Facilitate Structure Focused Retrieval Augmented Generation in Multi-Agent Workflows for Catalyst and Materials Design [0.0]
大規模で事前訓練された化学基盤モデルは、セマンティック化学情報検索の基盤となる。
本稿では,OpenCLIPなどの画像モデルと連携して化学基盤モデルを用いて,前例のないクエリや情報検索を行う。
論文 参考訳（メタデータ） (2024-08-21T17:25:45Z) - Instruction Multi-Constraint Molecular Generation Using a Teacher-Student Large Language Model [49.64512917330373]
本稿では,学生に類似した多制約分子生成大言語モデルTSMMGを紹介する。
TSMMGを訓練するために、これらの「教師」から分子知識を抽出し、大量のテキスト-分子対を構築する。
我々は,TSMMGが複雑で自然言語で記述された特性を満たす分子を生成できることを実験的に明らかにした。
論文 参考訳（メタデータ） (2024-03-20T02:15:55Z) - Learning to Extract Structured Entities Using Language Models [52.281701191329]
機械学習の最近の進歩は、情報抽出の分野に大きな影響を与えている。
タスクをエンティティ中心にすることで、さまざまなメトリクスの使用を可能にします。
我々は、Structured Entity extractを導入し、Adroximate Entity Set OverlaPメトリックを提案し、この分野にコントリビュートします。
論文 参考訳（メタデータ） (2024-02-06T22:15:09Z) - 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) - 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) - 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)
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。