Fugu-MT 論文翻訳(概要): Efficient exploration of high-Tc superconductors by a gradient-based composition design

論文の概要: Efficient exploration of high-Tc superconductors by a gradient-based composition design

arxiv url: http://arxiv.org/abs/2403.13627v1
Date: Wed, 20 Mar 2024 14:23:17 GMT
ステータス: 処理完了
システム内更新日: 2024-03-21 16:38:11.051772
Title: Efficient exploration of high-Tc superconductors by a gradient-based composition design
Title（参考訳）: 勾配型組成設計による高温超伝導体の効率的な探索
Authors: Akihiro Fujii, Koji Shimizu, Satoshi Watanabe,
Abstract要約: 組成の勾配に基づく最適化による材料設計手法を提案する。これは、徹底的なデータベース検索と条件付き生成モデルという、従来の手法の限界を克服する。本手法は, 有効で広範囲な探索と新しい制約への適応性を実現し, 材料設計を著しく向上させる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a material design method via gradient-based optimization on compositions, overcoming the limitations of traditional methods: exhaustive database searches and conditional generation models. It optimizes inputs via backpropagation, aligning the model's output closely with the target property and facilitating the discovery of unlisted materials and precise property determination. Our method is also capable of adaptive optimization under new conditions without retraining. Applying to exploring high-Tc superconductors, we identified potential compositions beyond existing databases and discovered new hydrogen superconductors via conditional optimization. This method is versatile and significantly advances material design by enabling efficient, extensive searches and adaptability to new constraints.
Abstract（参考訳）: 本稿では, 従来の手法の限界を克服し, コンポジションの勾配に基づく最適化による材料設計手法を提案する。バックプロパゲーションを通じて入力を最適化し、モデルの出力を対象のプロパティと密に一致させ、未登録物質の発見と正確な特性決定を容易にする。また, 新たな条件下での適応最適化も可能であり, 再訓練は行わない。高Tc超伝導体を探索し、既存のデータベースを超える潜在的な組成を特定し、条件最適化により新しい水素超伝導体を発見した。本手法は, 有効で広範囲な探索と新しい制約への適応性を実現し, 材料設計を著しく向上させる。

関連論文リスト

Adaptive Constraint Integration for Simultaneously Optimizing Crystal Structures with Multiple Targeted Properties [7.559885439354167]
Adaptive Crystal Synthesizer (SMOACS) を用いた同時多目的最適化 SMOACSは、モデル再トレーニングを必要とせずに、適応的制約を最適化プロセスに統合することを可能にする。我々は,135個の原子サイトまでの大きな原子配置において,電気的中立性を維持するという困難な制約を満たす中で,バンドギャップの最適化を実証した。
論文参考訳（メタデータ） (2024-10-11T06:35:48Z)
Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文参考訳（メタデータ） (2024-03-20T00:41:12Z)
Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-01-08T22:33:14Z)
Aligning Optimization Trajectories with Diffusion Models for Constrained Design Generation [17.164961143132473]
本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
論文参考訳（メタデータ） (2023-05-29T09:16:07Z)
Diffusing the Optimal Topology: A Generative Optimization Approach [6.375982344506753]
トポロジ最適化は、システム性能を最大化しながら制約セットを満たす最良の設計を見つけようとしている。 SIMPのような従来の反復最適化手法は計算コストがかかり、ローカルのミニマに留まることがある。本研究では、SIMPのような古典最適化を深い生成モデルによって生成されるトポロジの精製機構として統合する生成最適化手法を提案する。
論文参考訳（メタデータ） (2023-03-17T03:47:10Z)
Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文参考訳（メタデータ） (2021-07-14T17:55:28Z)
Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文参考訳（メタデータ） (2021-02-16T06:04:27Z)
Good practices for Bayesian Optimization of high dimensional structured spaces [15.488642552157131]
高次元構造データセットにおけるベイズ最適化のための異なる探索空間設計の選択の効果について検討する。遅延空間における最適化境界を自動的に定義する新しい手法を評価します。我々は実践者に推薦する。
論文参考訳（メタデータ） (2020-12-31T07:00:39Z)
An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文参考訳（メタデータ） (2020-12-11T14:33:27Z)
Evolving Search Space for Neural Architecture Search [70.71153433676024]
最適化された検索空間サブセットを維持することにより,前回の取り組みから得られた結果を増幅するニューラルサーチ空間進化(NSE)方式を提案する。我々は333万のFLOPでImageNet上で77.3%のトップ1リトレーニング精度を実現し、最先端の性能を得た。遅延制約が適用された場合、我々の結果は、77.9%のTop-1再トレーニング精度を持つ、以前の最高のパフォーマンスのモバイルモデルよりも優れた性能が得られる。
論文参考訳（メタデータ） (2020-11-22T01:11:19Z)
Sample-Efficient Optimization in the Latent Space of Deep Generative Models via Weighted Retraining [1.5293427903448025]
深部生成モデルから学習した低次元連続潜伏多様体の最適化を行う,効率的なブラックボックス最適化のための改良手法を提案する。最適化軌道に沿ってクエリされたデータポイントの生成モデルを定期的に再学習し、目的関数値に応じてこれらのデータポイントを重み付けすることで、これを実現する。この重み付けされたリトレーニングは既存の手法で容易に実装でき、合成および実世界の最適化問題において、その効率と性能を著しく向上することが実証的に示されている。
論文参考訳（メタデータ） (2020-06-16T14:34:40Z)

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。