論文の概要: Toward Human-AI Co-creation to Accelerate Material Discovery
- arxiv url: http://arxiv.org/abs/2211.04257v1
- Date: Sat, 5 Nov 2022 17:48:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 15:43:34.193232
- Title: Toward Human-AI Co-creation to Accelerate Material Discovery
- Title（参考訳）: 材料発見を加速する人間とAIの共創を目指して
- Authors: Dmitry Zubarev, Carlos Raoni Mendes, Emilio Vital Brazil, Renato
Cerqueira, Kristin Schmidt, Vinicius Segura, Juliana Jansen Ferreira, Dan
Sanders
- Abstract要約: 早急な問題に取り組むために、科学の急速な進歩を達成するために、我々の社会にはますます必要性が増している。
化学のような特定の分野において、科学的発見は提案された新しい解のリスクを評価する余分な負担を負う。
本稿では,人間とAIの共創が最初に発見されるまでの時間を短縮することを目的としたフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.7993640140693605
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is an increasing need in our society to achieve faster advances in
Science to tackle urgent problems, such as climate changes, environmental
hazards, sustainable energy systems, pandemics, among others. In certain
domains like chemistry, scientific discovery carries the extra burden of
assessing risks of the proposed novel solutions before moving to the
experimental stage. Despite several recent advances in Machine Learning and AI
to address some of these challenges, there is still a gap in technologies to
support end-to-end discovery applications, integrating the myriad of available
technologies into a coherent, orchestrated, yet flexible discovery process.
Such applications need to handle complex knowledge management at scale,
enabling knowledge consumption and production in a timely and efficient way for
subject matter experts (SMEs). Furthermore, the discovery of novel functional
materials strongly relies on the development of exploration strategies in the
chemical space. For instance, generative models have gained attention within
the scientific community due to their ability to generate enormous volumes of
novel molecules across material domains. These models exhibit extreme
creativity that often translates in low viability of the generated candidates.
In this work, we propose a workbench framework that aims at enabling the
human-AI co-creation to reduce the time until the first discovery and the
opportunity costs involved. This framework relies on a knowledge base with
domain and process knowledge, and user-interaction components to acquire
knowledge and advise the SMEs. Currently,the framework supports four main
activities: generative modeling, dataset triage, molecule adjudication, and
risk assessment.
- Abstract（参考訳）: 気候変動や環境ハザード、持続可能エネルギーシステム、パンデミックなどの緊急問題に取り組むために、科学のより迅速な進歩を達成することの必要性が高まっています。
化学のような特定の分野において、科学的発見は実験段階に移る前に提案された新しい解のリスクを評価する余分な負担を負う。
これらの課題に対処するために、機械学習とAIの最近の進歩はいくつかあるが、エンド・ツー・エンドの発見アプリケーションをサポートする技術には依然としてギャップがある。
このようなアプリケーションは、大規模に複雑な知識管理を処理し、課題の専門家(SME)にとって、タイムリーかつ効率的な方法で知識の消費と生産を可能にする必要がある。
さらに, 新規機能性材料の発見は, 化学分野における探索戦略の発展に強く依存している。
例えば、生成モデルは物質ドメインにまたがる膨大な量の新規分子を生成する能力により、科学コミュニティ内で注目を集めている。
これらのモデルは、しばしば生成された候補の低い生存可能性に変換される極端な創造性を示す。
本研究では,人間とAIの共創が最初に発見するまでの時間を短縮することを目的としたワークベンチフレームワークを提案する。
このフレームワークは、知識を習得し、中小企業に助言するために、ドメインとプロセスの知識を持つ知識ベースとユーザーインタラクションコンポーネントに依存します。
現在、このフレームワークは、生成モデリング、データセットトリアージ、分子偏見、リスク評価の4つの主要なアクティビティをサポートしている。
関連論文リスト
- SciAgents: Automating scientific discovery through multi-agent intelligent graph reasoning [0.0]
人工知能の鍵となる課題は、科学的理解を自律的に進めるシステムを作ることである。
3つのコア概念を活用するアプローチであるSciAgentsを提案する。
この枠組みは研究仮説を自律的に生成し、基礎となるメカニズム、設計原則、予期せぬ材料特性を解明する。
我々のケーススタディでは、生成AI、オントロジ表現、マルチエージェントモデリングを組み合わせて、生物学的システムに似た知能の群を活用できるスケーラブルな能力を実証している。
論文 参考訳（メタデータ） (2024-09-09T12:25:10Z) - AIMS-EREA -- A framework for AI-accelerated Innovation of Materials for
Sustainability -- for Environmental Remediation and Energy Applications [0.0]
AIMS-EREAは、マテリアルサイエンス理論のベストをジェネレーティブAIのパワーと組み合わせる新しいフレームワークです。
これはまた、有害な残留物や反応の副産物の生成の可能性を排除するのに役立つ。
論文 参考訳（メタデータ） (2023-11-18T12:35:45Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian
Learning and Free Energy Minimization [55.11642177631929]
大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。
我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
論文 参考訳（メタデータ） (2023-10-14T23:28:48Z) - 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) - Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems [268.585904751315]
科学のためのAI(AI4Science)として知られる新しい研究領域
領域は、物理世界(波動関数と電子密度)、原子(分子、タンパク質、物質、相互作用)、マクロ(流体、気候、地下)まで理解することを目的としている。
主要な課題は、物理第一原理、特に対称性を深層学習法によって自然システムで捉える方法である。
論文 参考訳（メタデータ） (2023-07-17T12:14:14Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳（メタデータ） (2023-07-09T21:16:56Z) - Human-AI Co-Creation Approach to Find Forever Chemicals Replacements [3.122672716129844]
我々は、人間とAIの共同創造プロセスをサポートするソフトウェアフレームワークを設計しています。
我々のアプローチは、物質発見を加速するために、AI能力と主題の専門家のドメイン固有の知識を組み合わせる。
論文 参考訳（メタデータ） (2023-04-11T17:58:19Z) - Artificial Intelligence and Natural Language Processing and
Understanding in Space: Four ESA Case Studies [48.53582660901672]
本稿では,空間文書から情報を自動的に抽出するための,人工知能と自然言語処理と理解に基づく方法論的枠組みを提案する。
ケーススタディはミッションデザイン、品質保証、長期データ保存、オープンスペースイノベーションプラットフォームなど、ESAのさまざまな機能領域で実装されている。
論文 参考訳（メタデータ） (2022-10-07T15:50:17Z) - Learnings from Frontier Development Lab and SpaceML -- AI Accelerators
for NASA and ESA [57.06643156253045]
AIとML技術による研究は、しばしば非同期の目標とタイムラインを備えたさまざまな設定で動作します。
我々は、NASAとESAの民間パートナーシップの下で、AIアクセラレータであるFrontier Development Lab(FDL)のケーススタディを実行する。
FDL研究は、AI研究の責任ある開発、実行、普及に基礎を置く原則的な実践に従う。
論文 参考訳（メタデータ） (2020-11-09T21:23:03Z)
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。