論文の概要: Learning material synthesis-structure-property relationship by data fusion: Bayesian Co-regionalization N-Dimensional Piecewise Function Learning

• arxiv url: http://arxiv.org/abs/2311.06228v1
• Date: Fri, 10 Nov 2023 18:34:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-13 14:15:26.205343
• Title: Learning material synthesis-structure-property relationship by data fusion: Bayesian Co-regionalization N-Dimensional Piecewise Function Learning
• Title（参考訳）: データ融合による学習材料合成-構造-プロパティ関係:ベイジアンコリージョン化N次元Piecewise Function Learning
• Authors: A. Gilad Kusne, Austin McDannald, Brian DeCost
• Abstract要約: 量子コンピューティング、炭素捕獲、低コストの医療イメージングといった次世代技術に先進的な材料が必要とされる。 最初の課題を克服するために、研究者は基礎となる物質合成-構造-プロパティ関係の知識を利用する。 合成-構造-プロパティ relAtionship coreGionalized lEarner (SAGE) アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.6906005491572401
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced materials are needed to further next-generation technologies such as quantum computing, carbon capture, and low-cost medical imaging. However, advanced materials discovery is confounded by two fundamental challenges: the challenge of a high-dimensional, complex materials search space and the challenge of combining knowledge, i.e., data fusion across instruments and labs. To overcome the first challenge, researchers employ knowledge of the underlying material synthesis-structure-property relationship, as a material's structure is often predictive of its functional property and vice versa. For example, optimal materials often occur along composition-phase boundaries or within specific phase regions. Additionally, knowledge of the synthesis-structure-property relationship is fundamental to understanding underlying physical mechanisms. However, quantifying the synthesis-structure-property relationship requires overcoming the second challenge. Researchers must merge knowledge gathered across instruments, measurement modalities, and even laboratories. We present the Synthesis-structure-property relAtionship coreGionalized lEarner (SAGE) algorithm. A fully Bayesian algorithm that uses multimodal coregionalization to merge knowledge across data sources to learn synthesis-structure-property relationships.
• Abstract（参考訳）: 量子コンピューティング、カーボンキャプチャー、低コスト医療イメージングなどの次世代技術には、高度な材料が必要である。 しかし、高度な材料発見は、高次元の複雑な材料探索空間の課題と、知識、すなわち機器や実験室間のデータ融合の課題の2つの基本的な課題によって構築されている。 最初の課題を克服するために、研究者は材料構造が機能的特性を予測し、その逆も予測されるため、基盤となる物質合成-構造-プロパティ関係の知識を用いる。 例えば、最適材料は、しばしば組成-相境界に沿って、あるいは特定の相領域内で起こる。 さらに、合成-構造-プロパティ関係の知識は、基礎となる物理的メカニズムを理解するのに不可欠である。 しかし、合成-構造-適合関係の定量化には、第二の課題を克服する必要がある。 研究者は、計器、測定モダリティ、実験室に集められた知識をマージしなければならない。 合成-構造-プロパティ relAtionship coreGionalized lEarner (SAGE) アルゴリズムを提案する。 マルチモーダルなコリージョン化を用いて、データソース間の知識をマージして、合成-構造-プロパティ関係を学習する完全ベイズアルゴリズム。

関連論文リスト

• Equation discovery framework EPDE: Towards a better equation discovery [50.79602839359522]
  進化的最適化に基づく発見フレームワークであるEPDEアルゴリズムを強化する。 提案手法は基本関数や個人差分といった基本構造ブロックを用いて用語を生成する。 我々は,提案アルゴリズムの耐雑音性および全体的な性能を,最先端の方程式探索フレームワークであるSINDyの結果と比較することによって検証する。
  論文  参考訳（メタデータ） (2024-12-28T15:58:44Z)
• Understanding Synthetic Context Extension via Retrieval Heads [51.8869530817334]
  本稿では,検索と推論を必要とする3つの長文タスクに対する合成データの微調整について検討する。 合成データに基づいてトレーニングされたモデルは、実際のデータには及ばないが、驚くべきことに、ミスマッチを解釈できる。 我々の結果は、合成データの微調整性能の解釈方法と、長期にわたる実世界の能力学習のためのより良いデータ作成方法に光を当てた。
  論文  参考訳（メタデータ） (2024-10-29T17:55:00Z)
• Towards a Theoretical Understanding of Synthetic Data in LLM Post-Training: A Reverse-Bottleneck Perspective [9.590540796223715]
  学習後モデルの一般化能力は生成モデルから得られる情報ゲインによって決定されることを示す。 この分析は、合成データ生成の理論基盤として機能し、後学習モデルの一般化能力との関係を強調している。 ソースコードはhttps://github.com/ZyGan 1999/Towards-a-theoretical-Understanding-of-Synthetic-Data-in-LLM-Post-Trainingで公開しています。
  論文  参考訳（メタデータ） (2024-10-02T16:32:05Z)
• Towards Privacy-Preserving Relational Data Synthesis via Probabilistic Relational Models [3.877001015064152]
  確率的リレーショナルモデルは、一階述語論理と確率的モデルを組み合わせるための確立された形式主義を提供する。 人工知能の分野は、さまざまな機械学習タスクのために、ますます大量のリレーショナルトレーニングデータを必要とする。 プライバシの懸念やデータ保護の規制、高コストなどにより、現実のデータの収集は難しいことが多い。
  論文  参考訳（メタデータ） (2024-09-06T11:24:25Z)
• IRG: Generating Synthetic Relational Databases using Deep Learning with Insightful Relational Understanding [13.724085637262654]
  本稿では,ユビキタスな実環境をうまく処理できるインクリメンタルジェネレータ(IRG)を提案する。 IRGは関係スキーマの整合性の維持を保証し、直接の祖先や子孫を超えた関係の深い理解を提供する。 異なるスケールの異なる分野における3つのオープンソースの実生活関係データセットの実験は、IRGが合成データのリレーショナルスキーマの妥当性とデータの忠実さと有用性を維持できるという利点を示している。
  論文  参考訳（メタデータ） (2023-12-23T07:47:58Z)
• On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
  合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。 単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
  論文  参考訳（メタデータ） (2022-06-09T16:24:01Z)
• Audacity of huge: overcoming challenges of data scarcity and data quality for machine learning in computational materials discovery [1.0036312061637764]
  機械学習(ML)に加速された発見は、予測構造とプロパティの関係を明らかにするために大量の高忠実度データを必要とする。 材料発見に関心を持つ多くの特性において、データ生成の挑戦的な性質と高いコストは、人口が少なく、疑わしい品質を持つデータランドスケープを生み出している。 手作業によるキュレーションがなければ、より洗練された自然言語処理と自動画像解析により、文献から構造-プロパティ関係を学習できるようになる。
  論文  参考訳（メタデータ） (2021-11-02T21:43:58Z)
• Materials Representation and Transfer Learning for Multi-Property Prediction [22.068267502715404]
  材料科学における機械学習の採用は、急速に材料特性の予測に変化をもたらした。 機械学習の最近の進歩の完全な資本化を制限するハードルには、複数の要素の基本的な相互作用を学ぶ方法の限定的な開発が含まれる。 我々は,材料組成のみを用いて(i)予測をシームレスに統合する階層的相関学習フレームワーク,(ii)多目的回帰における対象特性間の相関関係の学習と活用,および(iii)生成的伝達学習による接尾辞領域からの学習データを活用する階層的相関学習フレームワークを導入する。
  論文  参考訳（メタデータ） (2021-06-04T03:00:34Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• A Dependency Syntactic Knowledge Augmented Interactive Architecture for End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
  エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。 このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。 3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-04-04T14:59:32Z)
• 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。