Fugu-MT 論文翻訳(概要): Stoichiometry Representation Learning with Polymorphic Crystal Structures

論文の概要: Stoichiometry Representation Learning with Polymorphic Crystal Structures

arxiv url: http://arxiv.org/abs/2312.13289v1
Date: Fri, 17 Nov 2023 20:34:28 GMT
ステータス: 処理完了
システム内更新日: 2024-01-15 13:13:05.381383
Title: Stoichiometry Representation Learning with Polymorphic Crystal Structures
Title（参考訳）: 多形結晶構造を用いたstoichiometry表現学習
Authors: Namkyeong Lee, Heewoong Noh, Gyoung S. Na, Tianfan Fu, Jimeng Sun, Chanyoung Park
Abstract要約: 確率論記述子は、構造的な情報を持たない特定の化合物を形成するために関係する要素間の比を明らかにすることができる。本稿では,手軽に利用できる構造情報を利用して,確率論の確率的表現を学習するPolySRLを提案する。
参考スコア（独自算出の注目度）: 54.65985356122883
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Despite the recent success of machine learning (ML) in materials science, its success heavily relies on the structural description of crystal, which is itself computationally demanding and occasionally unattainable. Stoichiometry descriptors can be an alternative approach, which reveals the ratio between elements involved to form a certain compound without any structural information. However, it is not trivial to learn the representations of stoichiometry due to the nature of materials science called polymorphism, i.e., a single stoichiometry can exist in multiple structural forms due to the flexibility of atomic arrangements, inducing uncertainties in representation. To this end, we propose PolySRL, which learns the probabilistic representation of stoichiometry by utilizing the readily available structural information, whose uncertainty reveals the polymorphic structures of stoichiometry. Extensive experiments on sixteen datasets demonstrate the superiority of PolySRL, and analysis of uncertainties shed light on the applicability of PolySRL in real-world material discovery. The source code for PolySRL is available at https://github.com/Namkyeong/PolySRL_AI4Science.
Abstract（参考訳）: 最近の材料科学における機械学習(ML)の成功にもかかわらず、その成功は結晶の構造的記述に大きく依存している。ストイチオメトリディスクリプタは、構造情報なしで特定の化合物を形成するのに必要な要素間の比率を明らかにする別のアプローチである。しかし、多型 (polymorphism) と呼ばれる物質科学の性質から、一種類の確率論が原子配置の柔軟性によって複数の構造形式に存在し、表現の不確実性を引き起こすため、確率論の表現を学ぶことは簡単ではない。そこで本論文では,不確実性が確率論の多形構造を明らかにする構造情報を用いて,確率論の確率論的表現を学習するポリsrlを提案する。 16のデータセットに対する大規模な実験は、PolySRLの優位性を示し、実世界の物質発見におけるPolySRLの適用性に光を当てた不確実性の分析である。 polysrlのソースコードはhttps://github.com/namkyeong/polysrl_ai4scienceで入手できる。

関連論文リスト

Defining Neural Network Architecture through Polytope Structures of Dataset [53.512432492636236]
本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。 MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
論文参考訳（メタデータ） (2024-02-04T08:57:42Z)
Towards End-to-End Structure Solutions from Information-Compromised Diffraction Data via Generative Deep Learning [6.617784410952713]
機械学習(ML)とディープラーニング(DL)は、既に知られている構造を持つ大規模データベースから学習した事前知識を用いて、劣化した入力信号の情報を増大させるため、有望なアプローチである。ここでは、この問題にエンドツーエンドで対処する堅牢だが汎用的なツールである、バラツキクエリベースのマルチブランチディープニューラルネットワークである、新しいMLアプローチを提案する。このシステムは、既知の化学組成情報と部分的に知られている化学組成情報の両方で、目に見えない素材の真実と平均9.3.4%の類似性を達成している。
論文参考訳（メタデータ） (2023-12-23T02:17:27Z)
Compositional Deep Probabilistic Models of DNA Encoded Libraries [6.206196935093064]
分子表現をモノシンソン,ジシンソン,トリシンソン構造ブロックに分解するDELデータ(DEL-Compose)の合成確率モデルを提案する。本モデルでは, 基準値と比較して高い性能を示し, 適切な薬局網を充実させ, 内在的解釈可能な構造を通じて貴重な知見を提供する。
論文参考訳（メタデータ） (2023-10-20T19:04:28Z)
Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。材料の生成モデルを評価するための追加指標を提案する。
論文参考訳（メタデータ） (2023-10-18T15:49:39Z)
Pair-Variational Autoencoders (PairVAE) for Linking and Cross-Reconstruction of Characterization Data from Complementary Structural Characterization Techniques [0.0]
材料研究において、構造的特徴付けは、合成された材料の全体的形態的ビューを得るために、しばしば複数の相補的技術を必要とする。複数のテクニックからペア構造的特徴付けデータに基づいてトレーニングできる機械学習モデルを持つことは、モデルが他方からひとつの特徴付けデータを生成するのに有用である。本稿では,Small Angle X-Ray Scattering(SAXS)のデータとSEM(Small Angle X-Ray Scattering)の画像を表示する機械学習ワークフローであるPairVAEについて述べる。
論文参考訳（メタデータ） (2023-05-25T20:45:36Z)
Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文参考訳（メタデータ） (2023-02-04T01:32:40Z)
Structured information extraction from complex scientific text with fine-tuned large language models [55.96705756327738]
そこで本研究では,共振器認識と関係抽出のための簡単なシーケンス・ツー・シーケンス手法を提案する。このアプローチは、約500組のプロンプトで微調整された、事前訓練済みの大規模言語モデル(LLM)であるGPT-3を利用する。このアプローチは、構造化されていないテキストから抽出された構造化知識の大規模なデータベースを得るための、シンプルで、アクセス可能で、非常に柔軟な経路を示す。
論文参考訳（メタデータ） (2022-12-10T07:51:52Z)
A data-driven interpretation of the stability of molecular crystals [0.0]
分子構造ブロックから形成される結晶構造の安定性を予測することは、非自明な科学的問題である。本稿では, 有機結晶の硬化したデータセットに対する結合エネルギーの予測に適した構造記述子を提案する。次に、構造エネルギーのランドスケープの低次元表現を用いて、このライブラリを解釈する。
論文参考訳（メタデータ） (2022-09-21T23:32:53Z)
PAC Reinforcement Learning for Predictive State Representations [60.00237613646686]
部分的に観察可能な力学系におけるオンライン強化学習(RL)について検討する。我々は、他のよく知られたモデルをキャプチャする表現モデルである予測状態表現(PSR)モデルに焦点を当てる。我々は,サンプル複雑性のスケーリングにおいて,ほぼ最適なポリシを学習可能な,PSRのための新しいモデルベースアルゴリズムを開発した。
論文参考訳（メタデータ） (2022-07-12T17:57:17Z)
Structure-Property Maps with Kernel Principal Covariates Regression [0.0]
そこで本研究では,PCovRのカーネル化バージョンとスパーシフィケード拡張を導入し,構造-プロパティ関係の明確化と予測における本手法の性能を示す。本稿では, 元素炭素, 多孔質ケイ酸塩, 有機分子, アミノ酸コンフォメータ, 分子材料の例を示す。
論文参考訳（メタデータ） (2020-02-12T16:29:24Z)

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。