論文の概要: Bayesian Co-navigation: Dynamic Designing of the Materials Digital Twins via Active Learning
- arxiv url: http://arxiv.org/abs/2404.12899v1
- Date: Fri, 19 Apr 2024 14:11:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-22 14:46:18.495835
- Title: Bayesian Co-navigation: Dynamic Designing of the Materials Digital Twins via Active Learning
- Title（参考訳）: ベイジアン・コナビゲーション:アクティブラーニングによる材料デジタル双生児の動的設計
- Authors: Boris N. Slautin, Yongtao Liu, Hiroshi Funakubo, Rama K. Vasudevan, Maxim A. Ziatdinov, Sergei V. Kalinin,
- Abstract要約: 自動および自律的な実験装置への理論の統合は、科学研究を加速するための重要な目標として浮上している。
本稿では,理論モデル空間と実験のベイズ的共ナビゲーションを通じて,理論をループに統合する手法を提案する。
ここでは強誘電体材料における機能応答の文脈で実証されているが、我々のアプローチはより広範な応用を約束する。
- 参考スコア（独自算出の注目度）: 1.1057473962658189
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Scientific advancement is universally based on the dynamic interplay between theoretical insights, modelling, and experimental discoveries. However, this feedback loop is often slow, including delayed community interactions and the gradual integration of experimental data into theoretical frameworks. This challenge is particularly exacerbated in domains dealing with high-dimensional object spaces, such as molecules and complex microstructures. Hence, the integration of theory within automated and autonomous experimental setups, or theory in the loop automated experiment, is emerging as a crucial objective for accelerating scientific research. The critical aspect is not only to use theory but also on-the-fly theory updates during the experiment. Here, we introduce a method for integrating theory into the loop through Bayesian co-navigation of theoretical model space and experimentation. Our approach leverages the concurrent development of surrogate models for both simulation and experimental domains at the rates determined by latencies and costs of experiments and computation, alongside the adjustment of control parameters within theoretical models to minimize epistemic uncertainty over the experimental object spaces. This methodology facilitates the creation of digital twins of material structures, encompassing both the surrogate model of behavior that includes the correlative part and the theoretical model itself. While demonstrated here within the context of functional responses in ferroelectric materials, our approach holds promise for broader applications, the exploration of optical properties in nanoclusters, microstructure-dependent properties in complex materials, and properties of molecular systems. The analysis code that supports the funding is publicly available at https://github.com/Slautin/2024_Co-navigation/tree/main
- Abstract（参考訳）: 科学的進歩は理論的な洞察、モデリング、実験的な発見の間の動的相互作用に基づいている。
しかし、このフィードバックループは、遅延したコミュニティインタラクションや、実験データの段階的な理論フレームワークへの統合など、しばしば遅い。
この課題は特に分子や複雑なミクロ構造のような高次元の物体空間を扱う領域において悪化している。
したがって、自動および自律的な実験装置における理論の統合、あるいはループ自動実験における理論は、科学研究を加速するための重要な目標として浮上している。
重要な側面は、理論を使用するだけでなく、実験中にオンザフライ理論を更新することである。
本稿では,理論モデル空間と実験のベイズ的共ナビゲーションを通じて,理論をループに統合する手法を提案する。
提案手法は,実験対象空間上の疫学的不確実性を最小限に抑えるため,理論モデル内の制御パラメータの調整とともに,実験および計算のレイテンシとコストによって決定される速度でシミュレーションおよび実験領域の代理モデルの同時開発を利用する。
この手法は、相関部分を含む行動の代理モデルと理論モデル自体を含む、物質構造のデジタル双対の作成を促進する。
ここでは強誘電体材料における機能応答の文脈において実証されているが、我々のアプローチはより広範な応用、ナノクラスターにおける光学特性の探索、複雑な材料におけるミクロ構造に依存した性質、分子系の特性を約束している。
この資金調達をサポートする分析コードはhttps://github.com/Slautin/2024_Co-navigation/tree/mainで公開されている。
関連論文リスト
- Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - Real-time experiment-theory closed-loop interaction for autonomous materials science [10.983609710462844]
本稿では,自律機械検索エンジン(AMASE)を用いて,実験と計算予測の連続的連続的相互作用を自律的に行うことを実証する。
AMASEは自己誘導キャンペーンから、Sn-Biバイナリ薄膜システムの共晶相図を正確に決定することができた。
この研究では、人間の介入なしに行われた実験と理論のリアルタイム、自律的、反復的な相互作用の可能性が初めて実証された。
論文 参考訳（メタデータ） (2024-10-22T21:00:18Z) - Foundational Issues in Dynamical Casimir Effect and Analogue Features in Cosmological Particle Creation [0.0]
ブラックホールからのホーキング放射のアナログ源としての移動鏡は広く研究されている。
このエッセイは、湾曲した時空における量子場理論の厳密さと完全性の一部を伝えることを目的としている。
論文 参考訳（メタデータ） (2024-10-04T06:32:35Z) - LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。
本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。
法発見と分子設計における枠組みの有効性を実証するための実験を行った。
論文 参考訳（メタデータ） (2024-05-16T03:04:10Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Hamiltonian truncation tensor networks for quantum field theories [42.2225785045544]
連続場理論の古典的シミュレーションのためのテンソルネットワーク手法を提案する。
この手法はハミルトン・トランケーションとテンソル・ネットワーク技術に基づいて構築されている。
重要な発展の1つは、大域的プロジェクターの行列積状態表現の正確な構成である。
論文 参考訳（メタデータ） (2023-12-19T19:00:02Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - A Causal Research Pipeline and Tutorial for Psychologists and Social
Scientists [7.106986689736828]
因果関係は世界を理解する科学的努力の基本的な部分である。
残念なことに、因果関係は心理学や社会科学の多くの分野においていまだに曖昧である。
研究に因果的アプローチを採用することの重要性に対する多くの勧告によって、我々は、必然的に因果的理論を研究パイプラインの他の部分と調和させるために、心理学における研究の典型的なアプローチを再構築する。
論文 参考訳（メタデータ） (2022-06-10T15:11:57Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - A physics-informed operator regression framework for extracting
data-driven continuum models [0.0]
高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。
提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。
局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2020-09-25T01:13:51Z) - Theoretical methods for ultrastrong light-matter interactions [91.3755431537592]
本稿では,超強結合状態における空洞量子力学を理解するために開発された理論的手法について概説する。
本稿は、基底状態特性の解析的推定からマスター方程式の適切な計算まで、最近の進歩の概要を概説する。
論文の大半は、超強結合が到達した様々な実験プラットフォームに関連する効果的なモデルに特化している。
論文 参考訳（メタデータ） (2020-01-23T18:09:10Z)
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。