論文の概要: Materials Expert-Artificial Intelligence for Materials Discovery
- arxiv url: http://arxiv.org/abs/2312.02796v1
- Date: Tue, 5 Dec 2023 14:29:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 15:35:24.528298
- Title: Materials Expert-Artificial Intelligence for Materials Discovery
- Title（参考訳）: 材料エキスパート・人工知能による材料発見
- Authors: Yanjun Liu, Milena Jovanovic, Krishnanand Mallayya, Wesley J. Maddox,
Andrew Gordon Wilson, Sebastian Klemenz, Leslie M. Schoop, Eun-Ah Kim
- Abstract要約: 我々は,この人間の直感をカプセル化し,具体化するために,"Materials Expert-Artificial Intelligence"(ME-AI)を導入する。
ME-AIは専門家の直観を独立して再現し、それを拡張した。
私たちの成功は、機械学習に支援された材料発見を約束するものとして、“マシンボットによる人間の洞察”アプローチを指摘しています。
- 参考スコア（独自算出の注目度）: 39.67752644916519
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The advent of material databases provides an unprecedented opportunity to
uncover predictive descriptors for emergent material properties from vast data
space. However, common reliance on high-throughput ab initio data necessarily
inherits limitations of such data: mismatch with experiments. On the other
hand, experimental decisions are often guided by an expert's intuition honed
from experiences that are rarely articulated. We propose using machine learning
to "bottle" such operational intuition into quantifiable descriptors using
expertly curated measurement-based data. We introduce "Materials
Expert-Artificial Intelligence" (ME-AI) to encapsulate and articulate this
human intuition. As a first step towards such a program, we focus on the
topological semimetal (TSM) among square-net materials as the property inspired
by the expert-identified descriptor based on structural information: the
tolerance factor. We start by curating a dataset encompassing 12 primary
features of 879 square-net materials, using experimental data whenever
possible. We then use Dirichlet-based Gaussian process regression using a
specialized kernel to reveal composite descriptors for square-net topological
semimetals. The ME-AI learned descriptors independently reproduce expert
intuition and expand upon it. Specifically, new descriptors point to
hypervalency as a critical chemical feature predicting TSM within square-net
compounds. Our success with a carefully defined problem points to the "machine
bottling human insight" approach as promising for machine learning-aided
material discovery.
- Abstract（参考訳）: 物質データベースの出現は、巨大なデータ空間から創発的物質特性の予測記述子を明らかにする前例のない機会を提供する。
しかし、高スループットab initioデータへの共通依存は、必ずしもそのようなデータの制限を継承する:実験とのミスマッチ。
一方、実験的な決定は、しばしば専門家の直感によって導かれる。
そこで我々は,機械学習を用いて,その操作直感を定量的な記述子に分割する手法を提案する。
我々は,この人間の直感をカプセル化し,具体化するために,"Materials Expert-Artificial Intelligence"(ME-AI)を導入する。
このようなプログラムへの第一歩として,構造情報に基づく専門家識別記述子に触発された特性として,正方形ネット材料のトポロジカルセミメタル(tsm)に着目した。
まず、可能な限り実験データを用いて、879平方ネット素材の12の主特徴を含むデータセットをキュレートする。
次に,特殊カーネルを用いたディリクレに基づくガウス過程回帰を用いて,正方形ネット位相半金属の複合ディスクリプタを明らかにした。
ME-AIは専門家の直観を独立して再現し、拡張した。
特に、新しいディスクリプタは、超原子価が正方形ネット化合物内のtsmを予測する重要な化学的特徴であることを示している。
慎重に定義された問題での私たちの成功は、機械学習支援物質発見に期待できる"マシンボット人間の洞察"アプローチを指し示しています。
関連論文リスト
- SciQu: Accelerating Materials Properties Prediction with Automated Literature Mining for Self-Driving Laboratories [0.7673339435080445]
特定の属性を予測するために異なる材料特性を評価することは、材料科学に基づく応用の基本的な要件である。
本研究は,機械学習を利用して材料特性を高精度かつ効率的に解析することにより,これらの課題に対処する。
データ抽出を自動化し、抽出した情報を用いて機械学習モデルを訓練することにより、開発したSciQuは材料特性を最適化する。
論文 参考訳（メタデータ） (2024-07-11T08:12:46Z) - Dynamic In-context Learning with Conversational Models for Data Extraction and Materials Property Prediction [0.0]
PropertyExtractorは、ゼロショットと数ショットのインコンテキスト学習をブレンドしたオープンソースのツールである。
本試験では, 約9%の誤差率で95%を超える精度とリコールを実証した。
論文 参考訳（メタデータ） (2024-05-16T21:15:51Z) - Generalization Error Analysis for Sparse Mixture-of-Experts: A Preliminary Study [65.11303133775857]
Mixture-of-Experts (MoE)計算アマルガメート予測
Sparse MoEは、限られた数、あるいは1つの専門家だけを選択的に扱うことで、経験的に保存され、時にはパフォーマンスが向上する一方で、オーバーヘッドを大幅に削減する。
論文 参考訳（メタデータ） (2024-03-26T05:48:02Z) - 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) - Instruct and Extract: Instruction Tuning for On-Demand Information
Extraction [86.29491354355356]
On-Demand Information extractは、現実世界のユーザのパーソナライズされた要求を満たすことを目的としている。
InstructIEというベンチマークを、自動生成したトレーニングデータと、人手による注釈付きテストセットの両方を含む形で提示する。
InstructIE 上に構築した On-Demand Information Extractor, ODIE をさらに発展させる。
論文 参考訳（メタデータ） (2023-10-24T17:54:25Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - Symbolic Knowledge Extraction from Opaque Predictors Applied to
Cosmic-Ray Data Gathered with LISA Pathfinder [0.0]
不透明な機械学習モデルの印象的な予測性能と人間の理解不能な予測説明を組み合わせるために、いくつかのテクニックが存在する。
本稿では,LISAパスファインダー宇宙ミッションで収集した宇宙線データを再生可能なアンサンブル予測器に適用した異なる知識抽出器の結果を報告する。
論文 参考訳（メタデータ） (2022-09-10T15:35:40Z) - 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) - 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) - Representation Learning for Sequence Data with Deep Autoencoding
Predictive Components [96.42805872177067]
本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。
我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。
提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
論文 参考訳（メタデータ） (2020-10-07T03:34:01Z)
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。