論文の概要: Interdisciplinary Discovery of Nanomaterials Based on Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2212.02805v1
• Date: Tue, 6 Dec 2022 07:51:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 18:03:30.629080
• Title: Interdisciplinary Discovery of Nanomaterials Based on Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークによるナノ材料の学際的発見
• Authors: Tong Xie and Yuwei Wan and Weijian Li and Qingyuan Linghu and Shaozhou Wang and Yalun Cai and Han Liu and Chunyu Kit and Clara Grazian and Bram Hoex
• Abstract要約: 我々はCNNを用いて、エネルギー関連出版物におけるナノマテリアルおよび合成法に関する貴重な実験に基づく情報を発見する。 最初のシステムであるTextMasterは、テキストから意見を抽出し、それらを課題と機会に分類し、それぞれ94%と92%の精度で達成する。 第2のシステムであるGraphMasterは、98.3%の分類精度と4.3%のデータ抽出平均平方誤差を持つ出版物から表や数字を抽出する。
• 参考スコア（独自算出の注目度）: 6.350788459498522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The material science literature contains up-to-date and comprehensive scientific knowledge of materials. However, their content is unstructured and diverse, resulting in a significant gap in providing sufficient information for material design and synthesis. To this end, we used natural language processing (NLP) and computer vision (CV) techniques based on convolutional neural networks (CNN) to discover valuable experimental-based information about nanomaterials and synthesis methods in energy-material-related publications. Our first system, TextMaster, extracts opinions from texts and classifies them into challenges and opportunities, achieving 94% and 92% accuracy, respectively. Our second system, GraphMaster, realizes data extraction of tables and figures from publications with 98.3\% classification accuracy and 4.3% data extraction mean square error. Our results show that these systems could assess the suitability of materials for a certain application by evaluation of synthesis insights and case analysis with detailed references. This work offers a fresh perspective on mining knowledge from scientific literature, providing a wide swatch to accelerate nanomaterial research through CNN.
• Abstract（参考訳）: 材料科学文献には、最新かつ包括的な材料科学知識が含まれている。 しかし、その内容は非構造的で多様であり、材料設計と合成に十分な情報を提供することで大きなギャップが生じる。 この目的のために,畳み込みニューラルネットワーク(cnn)に基づく自然言語処理(nlp)とコンピュータビジョン(cv)技術を用いて,エネルギー関連出版物におけるナノマテリアルと合成手法に関する貴重な実験的情報の発見を行った。 最初のシステムであるtextmasterでは,テキストから意見を抽出して課題と機会に分類し,それぞれ94%と92%の精度を実現しています。 第2のシステムであるGraphMasterは、98.3\%の分類精度と4.3%のデータ抽出平均平方誤差を持つ出版物から表や数字を抽出する。 以上の結果から, 合成洞察の評価と詳細な参考文献を用いた事例分析により, 特定の用途に適合する材料の適合性を評価することができた。 この研究は、CNNによるナノマテリアル研究を加速するための幅広い展望を提供する科学文献から、鉱業に関する新たな知見を提供する。

関連論文リスト

• Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
  本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。 本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
  論文  参考訳（メタデータ） (2024-07-11T09:04:12Z)
• MMSci: A Multimodal Multi-Discipline Dataset for PhD-Level Scientific Comprehension [59.41495657570397]
  我々は、Nature Communications Journalsに掲載されたオープンアクセス科学論文から、マルチモーダルで多分野のデータセットを収集した。 このデータセットは72の科学分野にまたがっており、多様性と品質の両方を保証している。 科学的な数字や内容を理解する上でLMMの能力を総合的に評価するために,様々なタスクと設定のベンチマークを作成した。
  論文  参考訳（メタデータ） (2024-07-06T00:40:53Z)
• SciRIFF: A Resource to Enhance Language Model Instruction-Following over Scientific Literature [80.49349719239584]
  SciRIFF(Scientific Resource for Instruction-Following and Finetuning, SciRIFF)は、54のタスクに対して137Kの命令追従デモのデータセットである。 SciRIFFは、幅広い科学分野の研究文献から情報を抽出し、合成することに焦点を当てた最初のデータセットである。
  論文  参考訳（メタデータ） (2024-06-10T21:22:08Z)
• Construction and Application of Materials Knowledge Graph in Multidisciplinary Materials Science via Large Language Model [16.222457389133822]
  本稿では,高度な自然言語処理技術を活用したマテリアル知識グラフ(MKG)を紹介する。 MKGは、情報を名前、フォーミュラ、アプリケーションなどの包括的なラベルに分類する。 ネットワークベースのアルゴリズムを実装することで、MKGは効率的なリンク予測を容易にするだけでなく、従来の実験手法への依存を著しく低減する。
  論文  参考訳（メタデータ） (2024-04-03T21:46:14Z)
• Agent-based Learning of Materials Datasets from Scientific Literature [0.0]
  我々は,大規模言語モデル(LLM)を利用した化学AIエージェントを開発し,自然言語テキストから構造化データセットを作成する。 化学者のAIエージェントであるEunomiaは、何十年もの科学研究論文から既存の知識を活用して、行動を計画し実行することができる。
  論文  参考訳（メタデータ） (2023-12-18T20:29:58Z)
• Lessons in Reproducibility: Insights from NLP Studies in Materials Science [4.205692673448206]
  我々は,これらの研究を観点から理解し,材料情報学の分野に対するその大きな影響を,それらに批判的でなく認識することを目的としている。 本研究は, 両論文とも, 徹底した, 丁寧な, ドキュメント化され, モデル評価のための明確なガイダンスが得られたことを示唆する。 著作権制限が許すトレーニングデータへのアクセス、モデルアーキテクチャとトレーニングプロセスの透明性の向上、ソフトウェア依存バージョン仕様など、改善すべき領域を強調します。
  論文  参考訳（メタデータ） (2023-07-28T18:36:42Z)
• Materials Informatics: An Algorithmic Design Rule [0.0]
  材料情報学は、材料科学研究において「第4のパラダイム」である。 有機半導体のエニグマを材料情報化アプローチにより研究した。
  論文  参考訳（メタデータ） (2023-05-05T18:55:32Z)
• Extracting Structured Seed-Mediated Gold Nanorod Growth Procedures from Literature with GPT-3 [52.59930033705221]
  1,137枚の紙から抽出した11,644個のエンティティのデータセットを作成した。 1,137枚の紙から抽出した11,644個のエンティティのデータセットを作成した。
  論文  参考訳（メタデータ） (2023-04-26T22:21:33Z)
• Text to Insight: Accelerating Organic Materials Knowledge Extraction via Deep Learning [1.2774526936067927]
  本研究は,有機材料の知識抽出を探求することを目的とする。 我々は,92,667件の要約から,855件の注釈文と708,376件の注釈文からなる研究データセットを構築した。 BiLSTM-CNN-CRF深層学習モデルを用いて,文献から重要な知識を自動的に抽出した。
  論文  参考訳（メタデータ） (2021-09-27T01:58:35Z)
• CitationIE: Leveraging the Citation Graph for Scientific Information Extraction [89.33938657493765]
  引用論文と引用論文の参照リンクの引用グラフを使用する。 最先端技術に対するエンド・ツー・エンドの情報抽出の大幅な改善を観察する。
  論文  参考訳（メタデータ） (2021-06-03T03:00:12Z)
• 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。