論文の概要: Multimodal Learning for Materials

• arxiv url: http://arxiv.org/abs/2312.00111v3
• Date: Fri, 12 Apr 2024 14:17:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-15 19:25:50.695970
• Title: Multimodal Learning for Materials
• Title（参考訳）: 材料のマルチモーダル学習
• Authors: Viggo Moro, Charlotte Loh, Rumen Dangovski, Ali Ghorashi, Andrew Ma, Zhuo Chen, Samuel Kim, Peter Y. Lu, Thomas Christensen, Marin Soljačić,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.167520424757711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence is transforming computational materials science, improving the prediction of material properties, and accelerating the discovery of novel materials. Recently, publicly available material data repositories have grown rapidly. This growth encompasses not only more materials, but also a greater variety and quantity of their associated properties. Existing machine learning efforts in materials science focus primarily on single-modality tasks, i.e., relationships between materials and a single physical property, thus not taking advantage of the rich and multimodal set of material properties. Here, we introduce Multimodal Learning for Materials (MultiMat), which enables self-supervised multi-modality training of foundation models for materials. We demonstrate our framework's potential using data from the Materials Project database on multiple axes: (i) MultiMat achieves state-of-the-art performance for challenging material property prediction tasks; (ii) MultiMat enables novel and accurate material discovery via latent space similarity, enabling screening for stable materials with desired properties; and (iii) MultiMat encodes interpretable emergent features that may provide novel scientific insights.
• Abstract（参考訳）: 人工知能は、計算材料科学を変革し、材料特性の予測を改善し、新しい物質の発見を加速している。 近年,資料データリポジトリが急速に普及している。 この成長は、より多くの材料だけでなく、関連する特性の多様性と量も含む。 既存の材料科学における機械学習の取り組みは、主に単一モダリティのタスク、すなわち材料と単一の物理的性質の関係に焦点を当てており、リッチでマルチモーダルな素材特性の集合を生かしていない。 本稿では,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,材料のためのマルチモーダル学習(MultiMat)について紹介する。 複数の軸上のMaterial Projectデータベースからのデータを用いて、我々のフレームワークの可能性を示す。 (i)MultiMatは、材料特性予測タスクの最先端のパフォーマンスを達成する。 (二)MultiMatは、遅延空間類似性による新規かつ正確な材料発見を可能にし、所望の特性を有する安定した材料をスクリーニングすることができる。 3)MultiMatは、新しい科学的洞察を提供する可能性のある解釈可能な創発的特徴を符号化する。

関連論文リスト

• Foundation Model for Composite Materials and Microstructural Analysis [49.1574468325115]
  複合材料に特化して設計された基礎モデルを提案する。 我々のモデルは、頑健な潜伏特性を学習するために、短繊維コンポジットのデータセット上で事前訓練されている。 転送学習中、MMAEはR2スコアが0.959に達し、限られたデータで訓練しても0.91を超えている均質化剛性を正確に予測する。
  論文  参考訳（メタデータ） (2024-11-10T19:06:25Z)
• MatExpert: Decomposing Materials Discovery by Mimicking Human Experts [26.364419690908992]
  MatExpertは、大規模言語モデルと対照的な学習を活用して、新しい固体材料の発見と設計を加速する新しいフレームワークである。 人間の素材設計専門家のワークフローにインスパイアされた我々のアプローチは、検索、遷移、生成という3つの重要な段階を統合している。 MatExpertは、ランガウジュに基づく生成モデルを用いた計算材料発見の有意義な進歩を表している。
  論文  参考訳（メタデータ） (2024-10-26T00:44:54Z)
• Knowledge-Aware Reasoning over Multimodal Semi-structured Tables [85.24395216111462]
  本研究では、現在のAIモデルがマルチモーダルな構造化データに基づいて知識を考慮した推論を行うことができるかどうかを検討する。 この目的のために設計された新しいデータセットであるMMTabQAを紹介する。 我々の実験は、複数のテキストと画像の入力を効果的に統合し解釈する上で、現在のAIモデルに対する重大な課題を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-08-25T15:17:43Z)
• 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)
• MMSci: A Dataset for Graduate-Level Multi-Discipline Multimodal Scientific Understanding [59.41495657570397]
  このデータセットには、スキーマ図、シミュレーション画像、マクロ/顕微鏡写真、実験的可視化などの図が含まれている。 我々は,6つのプロプライエタリモデルと10以上のオープンソースモデルを評価し,科学的フィギュアキャプションと複数選択質問のベンチマークを開発した。 データセットとベンチマークは、さらなる研究をサポートするためにリリースされる予定だ。
  論文  参考訳（メタデータ） (2024-07-06T00:40:53Z)
• OpenMaterial: A Comprehensive Dataset of Complex Materials for 3D Reconstruction [54.706361479680055]
  295個の異なる材料からなる1001個のオブジェクトからなるOpenMaterialデータセットを紹介した。 OpenMaterialは3D形状、マテリアルタイプ、カメラポーズ、深さ、オブジェクトマスクなど、包括的なアノテーションを提供する。 これは、多様で挑戦的な材料を持つオブジェクト上で、既存のアルゴリズムの定量的評価を可能にする最初の大規模データセットである。
  論文  参考訳（メタデータ） (2024-06-13T07:46:17Z)
• Make-it-Real: Unleashing Large Multimodal Model for Painting 3D Objects with Realistic Materials [108.59709545364395]
  GPT-4Vは、材料を効果的に認識し、記述することができ、詳細な材料ライブラリを構築することができる。 そして、整合した材料を、新たなSVBRDF材料生成の基準として慎重に適用する。 Make-it-Realは、3Dコンテンツ作成ワークフローに合理化された統合を提供する。
  論文  参考訳（メタデータ） (2024-04-25T17:59:58Z)
• Advancing Extrapolative Predictions of Material Properties through Learning to Learn [1.3274508420845539]
  我々は、ニューラルネットワークの注意に基づくアーキテクチャとメタ学習アルゴリズムを用いて、外挿的一般化能力を取得する。 このような外挿訓練されたモデルの可能性、特に目に見えない物質ドメインに迅速に適応する能力を強調します。
  論文  参考訳（メタデータ） (2024-03-25T09:30:19Z)
• Multimodal machine learning for materials science: composition-structure bimodal learning for experimentally measured properties [4.495968252019426]
  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。
  論文  参考訳（メタデータ） (2023-08-04T02:04:52Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)

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。