論文の概要: Multimodal machine learning for materials science: composition-structure
bimodal learning for experimentally measured properties
- arxiv url: http://arxiv.org/abs/2309.04478v1
- Date: Fri, 4 Aug 2023 02:04:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 08:09:34.425898
- Title: Multimodal machine learning for materials science: composition-structure
bimodal learning for experimentally measured properties
- Title（参考訳）: 材料科学のためのマルチモーダル機械学習--構成構造バイモーダル学習による実験的検討
- Authors: Sheng Gong, Shuo Wang, Taishan Zhu, Yang Shao-Horn, and Jeffrey C.
Grossman
- Abstract要約: 本稿では,構成構造ビモーダル学習による材料科学におけるマルチモーダル機械学習の新しいアプローチを提案する。
提案するCOSNetは,不完全な構造情報を持つ実験材料特性の学習と予測を強化するために設計されている。
- 参考スコア（独自算出の注目度）: 4.495968252019426
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The widespread application of multimodal machine learning models like GPT-4
has revolutionized various research fields including computer vision and
natural language processing. However, its implementation in materials
informatics remains underexplored, despite the presence of materials data
across diverse modalities, such as composition and structure. The effectiveness
of machine learning models trained on large calculated datasets depends on the
accuracy of calculations, while experimental datasets often have limited data
availability and incomplete information. This paper introduces a novel approach
to multimodal machine learning in materials science via composition-structure
bimodal learning. The proposed COmposition-Structure Bimodal Network (COSNet)
is designed to enhance learning and predictions of experimentally measured
materials properties that have incomplete structure information. Bimodal
learning significantly reduces prediction errors across distinct materials
properties including Li conductivity in solid electrolyte, band gap, refractive
index, dielectric constant, energy, and magnetic moment, surpassing
composition-only learning methods. Furthermore, we identified that data
augmentation based on modal availability plays a pivotal role in the success of
bimodal learning.
- Abstract（参考訳）: GPT-4のようなマルチモーダル機械学習モデルの広範な応用は、コンピュータビジョンや自然言語処理など様々な研究分野に革命をもたらした。
しかし、材料情報学におけるその実装は、構成や構造など多岐にわたる材料データが存在するにもかかわらず、未調査のままである。
大規模計算データセットでトレーニングされた機械学習モデルの有効性は計算の精度に依存するが、実験データセットはデータ可用性や不完全な情報が少ないことが多い。
本稿では,構成構造ビモーダル学習による材料科学におけるマルチモーダル機械学習の新しいアプローチを提案する。
提案するCOSNetは,不完全な構造情報を持つ実験材料特性の学習と予測を強化するために設計されている。
バイモーダル学習は, 固体電解質中のLi伝導率, バンドギャップ, 屈折率, 誘電率, エネルギー, 磁気モーメントなど, 組成のみの学習法を超越した材料特性の予測誤差を著しく低減する。
さらに,バイモーダル学習の成功において,モーダルアベイラビリティに基づくデータ拡張が重要な役割を担っていることを見出した。
関連論文リスト
- Machine learning of microstructure--property relationships in materials with robust features from foundational vision transformers [0.0]
マイクロストラクチャーの機械学習-データからのプロパティ関係は、計算材料科学における新たなアプローチである。
本稿では,タスクに依存しないマイクロ構造特徴の抽出に,事前訓練された基礎視覚変換器を提案する。
論文 参考訳（メタデータ） (2025-01-28T17:06:47Z) - Foundation Model for Composite Materials and Microstructural Analysis [0.0]
複合材料に特化して設計された基礎モデルを提案する。
本研究は, 複合材料における基礎モデルの有効性と有効性について検証した。
このフレームワークは実験データが少ない場合でも高精度な予測を可能にする。
論文 参考訳（メタデータ） (2024-11-10T19:06:25Z) - Physical Consistency Bridges Heterogeneous Data in Molecular Multi-Task Learning [79.75718786477638]
我々は、それらを接続する物理法則が存在する分子的タスクの専門性を生かし、整合性トレーニングアプローチを設計する。
より正確なエネルギーデータにより、構造予測の精度が向上することを示した。
また、整合性トレーニングは、構造予測を改善するために、力と非平衡構造データを直接活用できることがわかった。
論文 参考訳（メタデータ） (2024-10-14T03:11:33Z) - Multi-Task Multi-Fidelity Learning of Properties for Energetic Materials [34.8008617873679]
マルチタスクニューラルネットワークは、マルチモーダルデータから学習でき、特定の特性のために訓練されたシングルタスクモデルより優れている。
予想通り、データスカースプロパティでは改善がより重要になります。
このアプローチは、エネルギー材料以外の分野にも広く適用できる。
論文 参考訳（メタデータ） (2024-08-21T12:54:26Z) - 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) - Compositional Representation of Polymorphic Crystalline Materials [56.80318252233511]
PCRLは,構成の確率論的モデリングを用いて,利用可能な構造情報から多型を抽出する手法である。
16のデータセットに対する広範囲な評価は、構成表現の学習におけるPCRLの有効性を示す。
論文 参考訳（メタデータ） (2023-11-17T20:34:28Z) - Efficient Surrogate Models for Materials Science Simulations: Machine
Learning-based Prediction of Microstructure Properties [0.0]
いくつかの機械学習アルゴリズムがこれらの科学分野に応用され、シミュレーションモデルや代理モデルを強化し、加速している。
材料科学分野の2つの異なるデータセットに基づいて,6つの機械学習技術の応用について検討する。
論文 参考訳（メタデータ） (2023-09-01T07:29:44Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳（メタデータ） (2022-10-07T17:56:53Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Sample-Efficient Reinforcement Learning in the Presence of Exogenous
Information [77.19830787312743]
実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。
本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。
内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
論文 参考訳（メタデータ） (2022-06-09T05:19:32Z) - Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。
MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。
本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
論文 参考訳（メタデータ） (2020-02-17T19:06:05Z)
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。