論文の概要: Closed-loop Error Correction Learning Accelerates Experimental Discovery
of Thermoelectric Materials
- arxiv url: http://arxiv.org/abs/2302.13380v1
- Date: Sun, 26 Feb 2023 18:37:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 17:26:30.450218
- Title: Closed-loop Error Correction Learning Accelerates Experimental Discovery
of Thermoelectric Materials
- Title（参考訳）: 閉ループ誤差補正学習は熱電材料の実験的発見を加速する
- Authors: Hitarth Choubisa, Md Azimul Haque, Tong Zhu, Lewei Zeng, Maral Vafaie,
Derya Baran, Edward H Sargent
- Abstract要約: 我々は、誤り訂正学習(ECL)を用いて、過去のデータを組み込んで、実験的なフィードバックを用いて更新し、洗練することを目指している。
次に、この戦略を温度300degCで合成を優先する熱電材料の発見に適用する。
本研究は, クローズドループ実験法により, 3倍の最適化材料を見つけるために必要な実験量を削減できることを示唆する。
- 参考スコア（独自算出の注目度）: 2.7663141853912228
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The exploration of thermoelectric materials is challenging considering the
large materials space, combined with added exponential degrees of freedom
coming from doping and the diversity of synthetic pathways. Here we seek to
incorporate historical data and update and refine it using experimental
feedback by employing error-correction learning (ECL). We thus learn from prior
datasets and then adapt the model to differences in synthesis and
characterization that are otherwise difficult to parameterize. We then apply
this strategy to discovering thermoelectric materials where we prioritize
synthesis at temperatures < 300{\deg}C. We document a previously unreported
chemical family of thermoelectric materials, PbSe:SnSb, finding that the best
candidate in this chemical family, 2 wt% SnSb doped PbSe, exhibits a power
factor more than 2x that of PbSe. Our investigations show that our closed-loop
experimentation strategy reduces the required number of experiments to find an
optimized material by as much as 3x compared to high-throughput searches
powered by state-of-the-art machine learning models. We also observe that this
improvement is dependent on the accuracy of prior in a manner that exhibits
diminishing returns, and after a certain accuracy is reached, it is factors
associated with experimental pathways that dictate the trends.
- Abstract（参考訳）: 熱電材料の探索は、ドーピングによる指数関数的な自由度と合成経路の多様性とを併せ持つ大きな物質空間を考えると困難である。
ここでは, 誤り訂正学習(ECL)を用いて, 過去のデータを組み込んで, 実験的なフィードバックを用いて更新・改良する。
そこで,従来のデータセットから学習し,パラメータ化が難しい合成と特徴の相違にモデルを適応させる。
次に、この戦略を温度<300{\deg}Cで合成を優先する熱電材料の発見に適用する。
pbse:snsbという熱電材料の既報の化学系を報告し,snsbをドープしたpbseの2 wt%がpbseの2倍以上の力率を示すことを見出した。
本研究は,最先端の機械学習モデルを用いた高スループット検索と比較して,最適化材料を見つけるために必要な実験回数を最大3倍削減することを示す。
また, この改善は, 回帰率の低下を示す方法において, 事前の精度に依存し, 一定の精度に達すると, その傾向を左右する実験経路に関連する要因である。
関連論文リスト
- Predicting and Accelerating Nanomaterials Synthesis Using Machine Learning Featurization [0.0]
反射型高エネルギー電子回折データの特徴抽出と機械学習による一般化を行う。
専門家ラベル付きデータの小さなセット(10)で定量的に予測関係を確立し、その後に成長したサンプルでかなりの時間を節約した。
これらの予測は、未解決の試行を回避し、後続のキャラクタリゼーションを減らし、材料合成の制御分解能を改善するためのガイダンスを提供する。
論文 参考訳（メタデータ） (2024-09-12T14:03:55Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - Chemical Reaction Neural Networks for Fitting Accelerating Rate Calorimetry Data [37.69303106863453]
化学反応ニューラルネットワーク(CRNN)は、モリセル21700 P45Bから得られたARCデータにN方程式のアレニウスODEの運動パラメータを適合させるために訓練される。
この手法の柔軟性は、2方程式と4方程式のモデルを用いて実験することによって実証される。
論文 参考訳（メタデータ） (2024-08-21T20:39:41Z) - COEFF-KANs: A Paradigm to Address the Electrolyte Field with KANs [5.759388420139191]
液体電解質の組成に基づいてクーロン効率(CE)を自動的に予測する新しい手法を提案する。
得られた電解質の特徴を多層パーセプトロンまたはコルモゴロフ・アルノルドネットワークに入力してCEを予測する。
実世界のデータセットを用いた実験結果から,本手法はCE予測のためのSOTAを全ベースラインと比較した結果を得た。
論文 参考訳（メタデータ） (2024-07-24T14:45:25Z) - Generating Comprehensive Lithium Battery Charging Data with Generative AI [24.469319419012745]
本研究では、生成AIモデルの条件として、EOL(End of Life)とECL(Equivalent Cycle Life)を紹介する。
CVAEモデルに埋め込み層を組み込むことにより, RCVAE(Refined Conditional Variational Autoencoder)を開発した。
準ビデオ形式にプリプロセッシングすることで、電圧、電流、温度、充電容量を含む電気化学データの総合的な合成を実現する。
この方法は、リチウム電池データの人工合成のための新しい研究領域を開拓する、包括的な電気化学データセットを提供する。
論文 参考訳（メタデータ） (2024-04-11T09:08:45Z) - Retrosynthesis prediction enhanced by in-silico reaction data
augmentation [66.5643280109899]
RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。
3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-01-31T07:40:37Z) - Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。
そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。
予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
論文 参考訳（メタデータ） (2023-03-24T18:32:38Z) - MetaRF: Differentiable Random Forest for Reaction Yield Prediction with
a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。
筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。
数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文 参考訳（メタデータ） (2022-08-22T06:40:13Z) - Predicting Defects in Laser Powder Bed Fusion using in-situ Thermal
Imaging Data and Machine Learning [0.0]
レーザー粉末層融合過程における局所熱履歴の変化は微視的欠陥を引き起こす可能性がある。
本研究では, LPBFステンレス鋼材料の微細孔率を予測するため, その場熱画像データを用いた機械学習(ML)モデルを開発した。
論文 参考訳（メタデータ） (2021-12-16T21:25:16Z) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳（メタデータ） (2021-02-02T09:34:34Z) - Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search [83.22850633478302]
反合成計画(retrosynthetic planning)は、ターゲット生成物の合成に繋がる一連の反応を特定する。
既存の手法では、高いばらつきを持つロールアウトによる高価なリターン推定が必要か、品質よりも探索速度を最適化する必要がある。
本稿では,高品質な合成経路を効率よく見つけるニューラルネットワークA*ライクなアルゴリズムRetro*を提案する。
論文 参考訳（メタデータ） (2020-06-29T05:53:33Z)
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。