論文の概要: Computing formation enthalpies through an explainable machine learning
method: the case of Lanthanide Orthophosphates solid solutions
- arxiv url: http://arxiv.org/abs/2303.03748v1
- Date: Tue, 7 Mar 2023 09:14:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-08 15:59:21.519605
- Title: Computing formation enthalpies through an explainable machine learning
method: the case of Lanthanide Orthophosphates solid solutions
- Title（参考訳）: 説明可能な機械学習手法による計算生成エンタルピー:ランタニドオルトリン酸固溶体の場合
- Authors: Edoardo Di Napoli (1), Xinzhe Wu (1), Thomas Bornhake (2) Piotr M.
Kowalski (3) ((1) J\"ulich Supercomputing Centre Forschungszentrum J\"ulich
GmbH, (2) Physics Department RWTH Aachen University, (3) Institute of Energy
and Climate Research Forschungszentrum J\"ulich GmbH)
- Abstract要約: 本稿では、従来の機械学習手法の洗練された組み合わせを使って説明可能なモデルを得る提案について述べる。
ランタニド系リン酸塩の固溶体形成のエンタルピーに対する新しい高精度な式を導出する手法の有効性を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the last decade, the use of Machine and Deep Learning (MDL) methods in
Condensed Matter physics has seen a steep increase in the number of problems
tackled and methods employed. A number of distinct MDL approaches have been
employed in many different topics; from prediction of materials properties to
computation of Density Functional Theory potentials and inter-atomic force
fields. In many cases the result is a surrogate model which returns promising
predictions but is opaque on the inner mechanisms of its success. On the other
hand, the typical practitioner looks for answers that are explainable and
provide a clear insight on the mechanisms governing a physical phenomena. In
this work, we describe a proposal to use a sophisticated combination of
traditional Machine Learning methods to obtain an explainable model that
outputs an explicit functional formulation for the material property of
interest. We demonstrate the effectiveness of our methodology in deriving a new
highly accurate expression for the enthalpy of formation of solid solutions of
lanthanides orthophosphates.
- Abstract（参考訳）: 過去10年間で、凝縮物質物理学におけるマシン・アンド・ディープ・ラーニング(MDL)法の使用は、取り組んだ問題や方法の数が大幅に増加した。
材料特性の予測から密度汎関数理論ポテンシャルの計算、原子間力場など、多くの異なる分野において多くの異なるMDLアプローチが採用されている。
多くの場合、結果は有望な予測を返すが、その成功の内部メカニズムに不透明である代理モデルである。
一方、典型的な実践者は説明可能な答えを探し、物理現象を司るメカニズムについての明確な洞察を提供する。
本稿では、従来の機械学習手法の洗練された組み合わせを用いて、興味のある材料特性に対する明示的な機能的定式化を出力する説明可能なモデルを求める。
本手法は, ランタニドオルソリン酸の固溶体形成のエンタルピーに対する新しい高精度な表現法としての有効性を示す。
関連論文リスト
- Understanding Machine Learning Paradigms through the Lens of Statistical Thermodynamics: A tutorial [0.0]
このチュートリアルは、エントロピー、自由エネルギー、そして機械学習に使用される変分推論のような高度なテクニックを掘り下げる。
物理的システムの振る舞いを深く理解することで、より効果的で信頼性の高い機械学習モデルが得られることを示す。
論文 参考訳（メタデータ） (2024-11-24T18:20:05Z) - Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。
DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。
経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文 参考訳（メタデータ） (2024-10-08T10:48:50Z) - Balancing Molecular Information and Empirical Data in the Prediction of Physico-Chemical Properties [8.649679686652648]
本稿では,分子記述子と表現学習を組み合わせた一般的な手法を提案する。
提案したハイブリッドモデルは,グラフニューラルネットワークを用いた化学構造情報を利用する。
構造に基づく予測が信頼できない場合を自動的に検出し、表現学習に基づく予測によって修正する。
論文 参考訳（メタデータ） (2024-06-12T10:51:00Z) - Machine learning for accuracy in density functional approximations [0.0]
密度汎関数近似の精度を向上させるために機械学習を適用した最近の進歩を概観する。
異なる化学物質と材料クラス間で伝達可能な機械学習モデルを考案する際の約束と課題について論じる。
論文 参考訳（メタデータ） (2023-11-01T00:02:09Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - MinT: Boosting Generalization in Mathematical Reasoning via Multi-View
Fine-Tuning [53.90744622542961]
数学領域における推論は、小言語モデル(LM)にとって重要な課題である。
多様なアノテーションスタイルで既存の数学的問題データセットを利用する新しい手法を提案する。
実験結果から,LLaMA-7Bモデルが先行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） (2023-07-16T05:41:53Z) - On the Integration of Physics-Based Machine Learning with Hierarchical
Bayesian Modeling Techniques [0.0]
本稿では,ガウス過程(GP)モデルの平均関数にメカニクスに基づくモデルを組み込み,カーネルマシンによる潜在的な不一致を特徴付けることを提案する。
カーネル関数の定常性は、階層的ベイズ手法によって解決された長いデータセットの逐次処理において難しいハードルである。
数値および実験例を用いて, 構造力学逆問題に対する提案手法の可能性を示した。
論文 参考訳（メタデータ） (2023-03-01T02:29:41Z) - MACE: An Efficient Model-Agnostic Framework for Counterfactual
Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。
MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。
公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文 参考訳（メタデータ） (2022-05-31T04:57:06Z) - A deep learning energy method for hyperelasticity and viscoelasticity [0.0]
提案したディープエナジー法(DEM)は自己完結型でメッシュフリーである。
時間を要するトレーニングデータ生成を必要とせずに、3次元(3D)の機械的応答を正確に捉えることができる。
論文 参考訳（メタデータ） (2022-01-15T05:52:38Z) - Learning Manifold Implicitly via Explicit Heat-Kernel Learning [63.354671267760516]
そこで,本研究では,熱カーネルを学習することで,多様体情報を暗黙的に取得する,暗黙的多様体学習の概念を提案する。
学習した熱カーネルは、データ生成のための深層生成モデル(DGM)やベイズ推論のためのスタイン変分勾配Descentなど、さまざまなカーネルベースの機械学習モデルに適用することができる。
論文 参考訳（メタデータ） (2020-10-05T03:39:58Z)
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。