論文の概要: Advancing Extrapolative Predictions of Material Properties through Learning to Learn

• arxiv url: http://arxiv.org/abs/2404.08657v1
• Date: Mon, 25 Mar 2024 09:30:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-21 20:04:31.260585
• Title: Advancing Extrapolative Predictions of Material Properties through Learning to Learn
• Title（参考訳）: 学習学習による材料特性の補間予測の促進
• Authors: Kohei Noda, Araki Wakiuchi, Yoshihiro Hayashi, Ryo Yoshida,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.3274508420845539
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in machine learning have showcased its potential to significantly accelerate the discovery of new materials. Central to this progress is the development of rapidly computable property predictors, enabling the identification of novel materials with desired properties from vast material spaces. However, the limited availability of data resources poses a significant challenge in data-driven materials research, particularly hindering the exploration of innovative materials beyond the boundaries of existing data. While machine learning predictors are inherently interpolative, establishing a general methodology to create an extrapolative predictor remains a fundamental challenge, limiting the search for innovative materials beyond existing data boundaries. In this study, we leverage an attention-based architecture of neural networks and meta-learning algorithms to acquire extrapolative generalization capability. The meta-learners, experienced repeatedly with arbitrarily generated extrapolative tasks, can acquire outstanding generalization capability in unexplored material spaces. Through the tasks of predicting the physical properties of polymeric materials and hybrid organic--inorganic perovskites, we highlight the potential of such extrapolatively trained models, particularly with their ability to rapidly adapt to unseen material domains in transfer learning scenarios.
• Abstract（参考訳）: 機械学習の最近の進歩は、新しい物質の発見を著しく加速する可能性を示した。 この進歩の中心は、急速に計算可能な特性予測器の開発であり、広い材料空間から望ましい性質を持つ新しい材料を識別することができる。 しかし、データリソースの可用性が限られていることは、データ駆動材料の研究において大きな課題となり、特に既存のデータの境界を超えた革新的な素材の探索を妨げている。 機械学習予測器は本質的に補間的であるが、外挿予測器を作成するための一般的な方法論を確立することは根本的な課題であり、既存のデータ境界を超えた革新的な素材の探索を制限している。 本研究では,ニューラルネットワークとメタ学習アルゴリズムの注意に基づくアーキテクチャを活用し,外挿的一般化能力を取得する。 任意に生成された外挿タスクを繰り返し経験するメタラーナーは、未探索の材料空間における卓越した一般化能力を得ることができる。 高分子材料とハイブリッド有機-無機ペロブスカイトの物性を予測するタスクを通じて、このような外挿訓練されたモデルの可能性を強調し、特にトランスファー学習シナリオにおいて、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た。

関連論文リスト

• Foundation Model for Composite Materials and Microstructural Analysis [49.1574468325115]
  複合材料に特化して設計された基礎モデルを提案する。 我々のモデルは、頑健な潜伏特性を学習するために、短繊維コンポジットのデータセット上で事前訓練されている。 転送学習中、MMAEはR2スコアが0.959に達し、限られたデータで訓練しても0.91を超えている均質化剛性を正確に予測する。
  論文  参考訳（メタデータ） (2024-11-10T19:06:25Z)
• Nature-Inspired Local Propagation [68.63385571967267]
  自然学習プロセスは、データの表現と学習が局所性を尊重するような方法で交わされるメカニズムに依存している。 ハミルトン方程式の構造を導出した「学習の法則」のアルゴリズム的解釈は、伝播の速度が無限大になるときにバックプロパゲーションに還元されることを示す。 これにより、バックプロパゲーションと提案されたローカルアルゴリズムの置き換えに基づく完全なオンライン情報に基づく機械学習への扉が開く。
  論文  参考訳（メタデータ） (2024-02-04T21:43:37Z)
• Materials Expert-Artificial Intelligence for Materials Discovery [39.67752644916519]
  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。
  論文  参考訳（メタデータ） (2023-12-05T14:29:18Z)
• Multimodal Learning for Materials [7.167520424757711]
  材料の基礎モデルの自己教師型マルチモーダルトレーニングを可能にするマルチモーダル・ラーニング・フォー・マテリアル(MultiMat)を紹介した。 複数の軸上のMaterial Projectデータベースからのデータを用いてフレームワークの可能性を示す。
  論文  参考訳（メタデータ） (2023-11-30T18:35:29Z)
• Is Self-Supervised Pretraining Good for Extrapolation in Molecular Property Prediction? [16.211138511816642]
  物質科学において、一般に外挿と呼ばれる未観測値の予測は、特性予測にとって重要である。 実験により,モデルが絶対的特性値の正確な外挿を行えなかったにもかかわらず,自己教師型事前学習により,観測されていない特性値の相対的傾向を学習できることを実証的に明らかにする。
  論文  参考訳（メタデータ） (2023-08-16T03:38:43Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Persistence-based operators in machine learning [62.997667081978825]
  永続性に基づくニューラルネットワークレイヤのクラスを導入します。 永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
  論文  参考訳（メタデータ） (2022-12-28T18:03:41Z)
• Sample-Efficient Reinforcement Learning in the Presence of Exogenous Information [77.19830787312743]
  実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。 本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。 内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
  論文  参考訳（メタデータ） (2022-06-09T05:19:32Z)
• 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)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)
• 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)

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。