論文の概要: Leveraging Language Representation for Material Recommendation, Ranking,
and Exploration
- arxiv url: http://arxiv.org/abs/2305.01101v2
- Date: Sat, 20 May 2023 03:35:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 03:00:35.959276
- Title: Leveraging Language Representation for Material Recommendation, Ranking,
and Exploration
- Title(参考訳): 資料推薦・ランク付け・探索のための言語表現の活用
- Authors: Jiaxing Qu, Yuxuan Richard Xie, Kamil M. Ciesielski, Claire E. Porter,
Eric S. Toberer, Elif Ertekin
- Abstract要約: 本稿では,言語モデルから派生した自然言語埋め込みを,構成的特徴と構造的特徴の表現として利用する材料発見フレームワークを提案する。
この枠組みを熱電学に適用することにより, 試作構造物の多種多様な推薦を行い, 未検討の高性能材料空間を同定する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven approaches for material discovery and design have been
accelerated by emerging efforts in machine learning. However, general
representations of crystals to explore the vast material search space remain
limited. We introduce a material discovery framework that uses natural language
embeddings derived from language models as representations of compositional and
structural features. The discovery framework consists of a joint scheme that
first recalls relevant candidates, and next ranks the candidates based on
multiple target properties. The contextual knowledge encoded in language
representations conveys information about material properties and structures,
enabling both representational similarity analysis for recall, and multi-task
learning to share information across related properties. By applying the
framework to thermoelectrics, we demonstrate diversified recommendations of
prototype structures and identify under-studied high-performance material
spaces. The recommended materials are corroborated by first-principles
calculations and experiments, revealing novel materials with potential high
performance. Our framework provides a task-agnostic means for effective
material recommendation and can be applied to various material systems.
- Abstract(参考訳): 物質発見と設計のためのデータ駆動アプローチは、機械学習における新たな取り組みによって加速されている。
しかし、巨大な物質探索空間を探索する結晶の一般的な表現は限られている。
本稿では,言語モデルからの自然言語埋め込みを合成的・構造的特徴の表現として利用する物質発見フレームワークを提案する。
発見フレームワークは、まず関連する候補をリコールするジョイントスキームで構成され、次に複数のターゲット特性に基づいて候補をランク付けする。
言語表現に符号化された文脈知識は、材料特性や構造に関する情報を伝達し、リコールのための表現的類似性分析とマルチタスク学習の両方が関連プロパティ間で情報を共有することができる。
この枠組みを熱電学に適用することにより,プロトタイプ構造の多様な推奨と,未検討の高性能材料空間の同定を行う。
推奨材料は第一原理計算と実験により相関し、潜在的に高い性能を有する新規材料を明らかにする。
本フレームワークは効果的な材料推薦のためのタスクに依存しない手段を提供し,様々な材料システムに適用できる。
関連論文リスト
- STaRK: Benchmarking LLM Retrieval on Textual and Relational Knowledge Bases [93.96463520716759]
テキストとリレーショナルベース知識に関する大規模半構造検索ベンチマークSTARKを開発した。
多様な情報と複雑なテキスト特性を統合した,自然かつ現実的なユーザクエリを合成する,新しいパイプラインを設計する。
本ベンチマークは,検索システムの性能評価のための総合的なテストベッドとして機能する。
論文 参考訳(メタデータ) (2024-04-19T22:54:54Z) - Construction of Functional Materials Knowledge Graph in Multidisciplinary Materials Science via Large Language Model [15.010933005842206]
本稿では,多分野の材料知識グラフであるFMKGについて紹介する。
FMKGは、名前、フォーミュラ、頭字語、構造/位相、プロパティ、記述子、合成、評価方法、アプリケーション、ドメインを含む9つの異なるラベルに分類する。
本研究は,実践的なテキストマイニングに基づく知識管理システムの基礎となる。
論文 参考訳(メタデータ) (2024-04-03T21:46:14Z) - Large Language Models for Generative Information Extraction: A Survey [93.28676955662002]
情報抽出は、平易な自然言語テキストから構造的知識を抽出することを目的としている。
生成型大規模言語モデル(LLM)は、テキストの理解と生成において顕著な能力を示した。
LLMは生成パラダイムに基づいたIEタスクに対して実行可能なソリューションを提供する。
論文 参考訳(メタデータ) (2023-12-29T14:25:22Z) - Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems [58.561904356651276]
本稿では,対話型推薦システムのためのエンティティの意味理解を改善するために,知識強化型エンティティ表現学習(KERL)フレームワークを紹介する。
KERLは知識グラフと事前訓練された言語モデルを使用して、エンティティの意味的理解を改善する。
KERLはレコメンデーションとレスポンス生成の両方のタスクで最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-12-18T06:41:23Z) - Multimodal Learning for Materials [7.167520424757711]
材料の基礎モデルの自己教師型マルチモーダルトレーニングを可能にするマルチモーダル・ラーニング・フォー・マテリアル(MultiMat)を紹介した。
複数の軸上のMaterial Projectデータベースからのデータを用いてフレームワークの可能性を示す。
論文 参考訳(メタデータ) (2023-11-30T18:35:29Z) - Reconstructing Materials Tetrahedron: Challenges in Materials Information Extraction [23.489721319567025]
材料科学文献からの自動情報抽出における課題を論じ,定量化し,文書化する。
この情報は、表、テキスト、画像などの複数のフォーマットに分散し、レポートスタイルの統一性はほとんど、あるいは全くない。
本研究は,IEが材料知識基盤を開発する上で,その課題に一貫した形で対処する上で,研究者に刺激を与えるものであることを願っている。
論文 参考訳(メタデータ) (2023-10-12T14:57:24Z) - Leveraging Contextual Information for Effective Entity Salience Detection [21.30389576465761]
クロスエンコーダアーキテクチャを用いた中規模言語モデルの微調整により,機能工学的アプローチよりも優れた性能が得られることを示す。
また、命令調整言語モデルのゼロショットプロンプトは、タスクの特異性と複雑さを示す劣った結果をもたらすことを示す。
論文 参考訳(メタデータ) (2023-09-14T19:04:40Z) - Data-Driven Design for Metamaterials and Multiscale Systems: A Review [15.736695579155047]
メタマテリアル(Metamaterials)は、自然界にある物質を超える効果的な物質パラメータを示すために設計された人工材料である。
メタマテリアルの可能性を最大限に発揮できる魅力的なパラダイムとして、データ駆動設計(Data-driven Design)が生まれています。
我々は、データ駆動モジュールに関する既存の研究を組織し、データ取得、機械学習ベースの単位セル設計、データ駆動型マルチスケール最適化を含む。
論文 参考訳(メタデータ) (2023-07-01T22:36:40Z) - TRIE++: Towards End-to-End Information Extraction from Visually Rich
Documents [51.744527199305445]
本稿では,視覚的にリッチな文書からエンド・ツー・エンドの情報抽出フレームワークを提案する。
テキスト読み出しと情報抽出は、よく設計されたマルチモーダルコンテキストブロックを介して互いに強化することができる。
フレームワークはエンドツーエンドのトレーニング可能な方法でトレーニングでき、グローバルな最適化が達成できる。
論文 参考訳(メタデータ) (2022-07-14T08:52:07Z) - Knowledge Graph Augmented Network Towards Multiview Representation
Learning for Aspect-based Sentiment Analysis [96.53859361560505]
本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。
KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。
3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
論文 参考訳(メタデータ) (2022-01-13T08:25:53Z) - Exploiting Structured Knowledge in Text via Graph-Guided Representation
Learning [73.0598186896953]
本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。
エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。
既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
論文 参考訳(メタデータ) (2020-04-29T14:22:42Z)
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。