論文の概要: Bridging the Semantic-Numerical Gap: A Numerical Reasoning Method of
Cross-modal Knowledge Graph for Material Property Prediction
- arxiv url: http://arxiv.org/abs/2312.09744v1
- Date: Fri, 15 Dec 2023 12:31:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 15:50:33.059538
- Title: Bridging the Semantic-Numerical Gap: A Numerical Reasoning Method of
Cross-modal Knowledge Graph for Material Property Prediction
- Title（参考訳）: 意味-数値ギャップの橋渡し : 材料特性予測のためのクロスモーダル知識グラフの数値推論法
- Authors: Guangxuan Song, Dongmei Fu, Zhongwei Qiu, Zijiang Yang, Jiaxin Dai,
Lingwei Ma, Dawei Zhang
- Abstract要約: 意味ノードと数値プロキシノードを用いたクロスモーダルKGを構成する材料KG(NR-KG)の数値推論法を提案する。
KGを標準KGに投影することで、両方のタイプの情報をキャプチャし、グラフニューラルネットワークを使用して材料特性を予測する。
NR-KGは最先端のSOTA(State-of-the-art)法より優れており、2つの材料データセットに対して25.9%と16.1%の相対的な改善を達成している。
- 参考スコア（独自算出の注目度）: 10.400557841522305
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Using machine learning (ML) techniques to predict material properties is a
crucial research topic. These properties depend on numerical data and semantic
factors. Due to the limitations of small-sample datasets, existing methods
typically adopt ML algorithms to regress numerical properties or transfer other
pre-trained knowledge graphs (KGs) to the material. However, these methods
cannot simultaneously handle semantic and numerical information. In this paper,
we propose a numerical reasoning method for material KGs (NR-KG), which
constructs a cross-modal KG using semantic nodes and numerical proxy nodes. It
captures both types of information by projecting KG into a canonical KG and
utilizes a graph neural network to predict material properties. In this
process, a novel projection prediction loss is proposed to extract semantic
features from numerical information. NR-KG facilitates end-to-end processing of
cross-modal data, mining relationships and cross-modal information in
small-sample datasets, and fully utilizes valuable experimental data to enhance
material prediction. We further propose two new High-Entropy Alloys (HEA)
property datasets with semantic descriptions. NR-KG outperforms
state-of-the-art (SOTA) methods, achieving relative improvements of 25.9% and
16.1% on two material datasets. Besides, NR-KG surpasses SOTA methods on two
public physical chemistry molecular datasets, showing improvements of 22.2% and
54.3%, highlighting its potential application and generalizability. We hope the
proposed datasets, algorithms, and pre-trained models can facilitate the
communities of KG and AI for materials.
- Abstract（参考訳）: 機械学習(ML)技術を用いて材料特性を予測することが重要な研究トピックである。
これらの性質は数値データと意味要因に依存する。
小さなサンプルデータセットの制限のため、既存の手法では一般的にMLアルゴリズムを使用して数値特性を回帰したり、トレーニング済みの知識グラフ(KG)を素材に転送する。
しかし,これらの手法は意味情報と数値情報を同時に扱うことはできない。
本稿では,意味ノードと数値プロキシノードを用いたクロスモーダルKGを構成する材料KG(NR-KG)の数値解析手法を提案する。
KGを標準KGに投影することで、両方のタイプの情報をキャプチャし、グラフニューラルネットワークを使用して材料特性を予測する。
このプロセスでは,数値情報から意味的特徴を抽出するために,新しい予測予測損失を提案する。
NR-KGは、小さなサンプルデータセットにおけるクロスモーダルデータ、マイニング関係、クロスモーダル情報のエンドツーエンド処理を容易にし、価値ある実験データを十分に活用して、材料予測を強化する。
さらに、意味記述を伴う2つの新しい高エントロピー合金特性データセットを提案する。
NR-KGは最先端のSOTA(State-of-the-art)法より優れており、2つの材料データセットに対して25.9%と16.1%の相対的な改善を達成している。
さらに、NR-KGは2つの公共物理化学分子データセットのSOTA法を上回り、22.2%と54.3%の改善を示し、その可能性と一般化性を強調している。
提案されたデータセット、アルゴリズム、および事前訓練されたモデルは、材料のためのKGとAIのコミュニティを促進することを願っている。
関連論文リスト
- Distill-SynthKG: Distilling Knowledge Graph Synthesis Workflow for Improved Coverage and Efficiency [59.6772484292295]
大規模言語モデル(LLM)によって生成される知識グラフ(KG)は、検索・拡張生成(RAG)アプリケーションにとってますます価値が増している。
既存のKG抽出法は、大規模コーパスの処理に非効率なプロンプトベースのアプローチに依存している。
LLMに基づく多段階文書レベルのKGワークフローであるSynthKGを提案する。
我々はまた、RAGのための新しいグラフベースの検索フレームワークを設計する。
論文 参考訳（メタデータ） (2024-10-22T00:47:54Z) - Enhancing material property prediction with ensemble deep graph convolutional networks [9.470117608423957]
近年の取り組みは、プロパティ予測にディープラーニングベースのグラフニューラルネットワークを含む高度なMLアルゴリズムの採用に重点を置いている。
本研究は,物質特性予測タスクを対象とする深層学習に基づくグラフニューラルネットワークにおけるアンサンブル戦略の詳細な評価を行う。
CGCNN(Crystal Graph Convolutional Neural Network)とそのマルチタスクバージョンであるMT-CGCNNを試験することにより、アンサンブル技術、特に予測平均化が従来のメトリクスを超える精度を大幅に向上することを示した。
論文 参考訳（メタデータ） (2024-07-26T16:12:06Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-01-12T22:51:48Z) - Band-gap regression with architecture-optimized message-passing neural
networks [1.9590152885845324]
AFLOWデータベースからの密度汎関数理論データから材料を金属または半導体/絶縁体として分類するMPNNを訓練する。
次に,MPNNのモデル構造とハイパーパラメータ空間を探索し,非金属と同定された材料のバンドギャップを予測する。
検索から得られる最高のパフォーマンスモデルはアンサンブルにまとめられ、既存のモデルよりもはるかに優れています。
論文 参考訳（メタデータ） (2023-09-12T16:13:10Z) - Pre-training Transformers for Knowledge Graph Completion [81.4078733132239]
知識グラフの伝達可能な表現を学習するための新しい帰納的KG表現モデル(iHT)を提案する。
iHT はエンティティエンコーダ (BERT など) と、Transformer によってパラメータ化される隣り合うリレーショナルスコアリング関数からなる。
提案手法は,従来のSOTAモデルに比べて25%以上の相対的相互ランクの改善が得られた。
論文 参考訳（メタデータ） (2023-03-28T02:10:37Z) - BertNet: Harvesting Knowledge Graphs with Arbitrary Relations from
Pretrained Language Models [65.51390418485207]
本稿では,事前学習したLMから任意の関係を持つ大規模KGを抽出する手法を提案する。
関係定義の最小限の入力により、アプローチは膨大な実体対空間を効率的に探索し、多様な正確な知識を抽出する。
我々は、異なるLMから400以上の新しい関係を持つKGを収穫するためのアプローチを展開している。
論文 参考訳（メタデータ） (2022-06-28T19:46:29Z) - Prediction of the electron density of states for crystalline compounds
with Atomistic Line Graph Neural Networks (ALIGNN) [0.0]
本稿では、最近開発されたAtomistic Line Graph Neural Network(ALIGNN)を拡張して、大量の材料ユニットセル構造のDOSを正確に予測する。
本研究では, 直接離散化スペクトルと, オートエンコーダを用いた圧縮低次元表現の2つの方法を評価する。
論文 参考訳（メタデータ） (2022-01-20T18:28:22Z) - Scientific Language Models for Biomedical Knowledge Base Completion: An
Empirical Study [62.376800537374024]
我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。
LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
論文 参考訳（メタデータ） (2021-06-17T17:55:33Z) - SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge
Graph Summarization [64.56399911605286]
本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。
SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
論文 参考訳（メタデータ） (2020-10-04T00:14:57Z) - Ensemble learning reveals dissimilarity between rare-earth transition
metal binary alloys with respect to the Curie temperature [0.0]
本研究では,材料間の相違点を抽出するデータ駆動方式を提案する。
提案手法は,データ構造をより深く理解するための潜在的なツールとみなすことができる。
論文 参考訳（メタデータ） (2020-08-20T07:46:09Z)
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。