論文の概要: Knowledge-Reuse Transfer Learning Methods in Molecular and Material Science

• arxiv url: http://arxiv.org/abs/2403.12982v1
• Date: Sat, 2 Mar 2024 12:41:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 07:27:10.257302
• Title: Knowledge-Reuse Transfer Learning Methods in Molecular and Material Science
• Title（参考訳）: 分子・物質科学における知識・再利用伝達学習法
• Authors: An Chen, Zhilong Wang, Karl Luigi Loza Vidaurre, Yanqiang Han, Simin Ye, Kehao Tao, Shiwei Wang, Jing Gao, Jinjin Li,
• Abstract要約: ビッグデータに基づく機械学習(ML)手法はこのジレンマを破ると予想されている。 トランスファーラーニングの応用は、モデルトレーニングにおけるデータ要求を低くする。 本稿では, 分子・物質発見のための伝達学習手法の応用に焦点をあてる。
• 参考スコア（独自算出の注目度）: 9.966301355582747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecules and materials are the foundation for the development of modern advanced industries such as energy storage systems and semiconductor devices. However, traditional trial-and-error methods or theoretical calculations are highly resource-intensive, and extremely long R&D (Research and Development) periods cannot meet the urgent need for molecules/materials in industrial development. Machine learning (ML) methods based on big data are expected to break this dilemma. However, the difficulty in constructing large-scale datasets of new molecules/materials due to the high cost of data acquisition and annotation limits the development of machine learning. The application of transfer learning lowers the data requirements for model training, which makes transfer learning stand out in researches addressing data quality issues. In this review, we summarize recent advances in transfer learning related to molecular and materials science. We focus on the application of transfer learning methods for the discovery of advanced molecules/materials, particularly, the construction of transfer learning frameworks for different systems, and how transfer learning can enhance the performance of models. In addition, the challenges of transfer learning are also discussed.
• Abstract（参考訳）: 分子と材料は、エネルギー貯蔵システムや半導体デバイスといった近代的先進産業の発展の基盤となっている。 しかし、従来の試行錯誤法や理論計算は非常に資源集約的であり、非常に長い研究開発(研究開発)期間は、産業開発における分子や物質に対する緊急の要求を満たすことができない。 ビッグデータに基づく機械学習(ML)手法はこのジレンマを破ると予想されている。 しかし、データ取得とアノテーションのコストが高いため、新しい分子や物質の大規模データセットの構築が難しいため、機械学習の開発が制限される。 トランスファーラーニングの適用は、データ品質問題に対処する研究においてトランスファーラーニングを際立たせるモデルトレーニングにおけるデータ要件を低くする。 本稿では,分子・材料科学に関する伝達学習の最近の進歩を概説する。 本稿では,高度な分子・物質発見のための移動学習手法の適用,特に異なるシステムのための移動学習フレームワークの構築,および移動学習がモデルの性能をいかに向上させるかに焦点を当てる。 また,転帰学習の課題についても論じる。

関連論文リスト

• Obtaining physical layer data of latest generation networks for investigating adversary attacks [0.0]
  機械学習は、5Gや6Gといった最新世代のデータネットワークの機能の最適化に使用できる。 インテリジェント機械学習モデルの振る舞いを操作する敵対策が、大きな関心事になりつつある。 機械学習アプリケーションと連携して動作するシミュレーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-02T06:03:27Z)
• 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)
• Transferring Chemical and Energetic Knowledge Between Molecular Systems with Machine Learning [5.27145343046974]
  本稿では,単純な分子システムから得られた知識をより複雑なものに伝達するための新しい手法を提案する。 我々は、高低自由エネルギー状態の分類に焦点をあてる。 以上の結果より, トリアラニンからデカアラニン系への移行学習において, 0.92 の顕著な AUC が得られた。
  論文  参考訳（メタデータ） (2022-05-06T16:21:00Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• 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)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• What is being transferred in transfer learning? [51.6991244438545]
  事前訓練した重量からトレーニングを行うと、モデルは損失景観の同じ流域に留まることを示す。 事前学習した重みからトレーニングする場合、モデルは損失ランドスケープの同じ流域に留まり、そのようなモデルの異なるインスタンスは特徴空間と類似しており、パラメータ空間は近接している。
  論文  参考訳（メタデータ） (2020-08-26T17:23:40Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)
• On the application of transfer learning in prognostics and health management [0.0]
  データ可用性は、研究者や業界の実践者がデータベースの機械学習に頼ることを奨励している。 ディープラーニング、障害診断と診断のためのモデル。 これらのモデルにはユニークな利点がありますが、そのパフォーマンスはトレーニングデータと、そのデータがテストデータをどのように表現しているかに大きく依存しています。 トランスファーラーニング(Transfer Learning)は、前回のトレーニングから学んだことの一部を新しいアプリケーションに転送することで、この問題を改善できるアプローチである。
  論文  参考訳（メタデータ） (2020-07-03T23:35:18Z)
• Improving neural network predictions of material properties with limited data using transfer learning [3.2851683371946754]
  我々は,abinitioシミュレーションから物質特性の予測を高速化する新しい伝達学習アルゴリズムを開発した。 伝達学習は、物質科学以外の応用におけるデータ効率のモデリングに成功している。
  論文  参考訳（メタデータ） (2020-06-29T22:34:30Z)
• Knowledge Distillation: A Survey [87.51063304509067]
  ディープニューラルネットワークは、特にコンピュータビジョンタスクにおいて、産業と学術の両方で成功している。 リソースが限られているデバイスに、これらの面倒なディープモデルをデプロイすることは難しい。 知識蒸留は、大きな教師モデルから小さな学生モデルを効果的に学習する。
  論文  参考訳（メタデータ） (2020-06-09T21:47:17Z)

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。