論文の概要: A Machine Learning and Explainable AI Framework Tailored for Unbalanced Experimental Catalyst Discovery

• arxiv url: http://arxiv.org/abs/2407.18935v1
• Date: Wed, 10 Jul 2024 13:09:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-05 01:16:12.989584
• Title: A Machine Learning and Explainable AI Framework Tailored for Unbalanced Experimental Catalyst Discovery
• Title（参考訳）: 不均衡な実験触媒発見を目的とした機械学習と説明可能なAIフレームワーク
• Authors: Parastoo Semnani, Mihail Bogojeski, Florian Bley, Zizheng Zhang, Qiong Wu, Thomas Kneib, Jan Herrmann, Christoph Weisser, Florina Patcas, Klaus-Robert Müller,
• Abstract要約: 各種成分の触媒収率を正確に分類するために,堅牢な機械学習と説明可能なAI(XAI)フレームワークを導入する。 このフレームワークは、触媒データの不足と不均衡を処理するために設計された一連のMLプラクティスを組み合わせる。 このような知見は, 新規触媒の開発・同定において, 優れた性能を有する化学者を支援することができると信じている。
• 参考スコア（独自算出の注目度）: 10.92613600218535
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The successful application of machine learning (ML) in catalyst design relies on high-quality and diverse data to ensure effective generalization to novel compositions, thereby aiding in catalyst discovery. However, due to complex interactions, catalyst design has long relied on trial-and-error, a costly and labor-intensive process leading to scarce data that is heavily biased towards undesired, low-yield catalysts. Despite the rise of ML in this field, most efforts have not focused on dealing with the challenges presented by such experimental data. To address these challenges, we introduce a robust machine learning and explainable AI (XAI) framework to accurately classify the catalytic yield of various compositions and identify the contributions of individual components. This framework combines a series of ML practices designed to handle the scarcity and imbalance of catalyst data. We apply the framework to classify the yield of various catalyst compositions in oxidative methane coupling, and use it to evaluate the performance of a range of ML models: tree-based models, logistic regression, support vector machines, and neural networks. These experiments demonstrate that the methods used in our framework lead to a significant improvement in the performance of all but one of the evaluated models. Additionally, the decision-making process of each ML model is analyzed by identifying the most important features for predicting catalyst performance using XAI methods. Our analysis found that XAI methods, providing class-aware explanations, such as Layer-wise Relevance Propagation, identified key components that contribute specifically to high-yield catalysts. These findings align with chemical intuition and existing literature, reinforcing their validity. We believe that such insights can assist chemists in the development and identification of novel catalysts with superior performance.
• Abstract（参考訳）: 触媒設計における機械学習(ML)の適用の成功は、新しい組成への効果的な一般化を保証するために、高品質で多様なデータに依存し、触媒発見に寄与する。 しかし、複雑な相互作用のため、触媒設計は長年試行錯誤に依存してきた。 この分野でのMLの台頭にもかかわらず、ほとんどの取り組みは、そのような実験データによってもたらされる課題に対処することに重点を置いていない。 これらの課題に対処するために、さまざまな成分の触媒収率を正確に分類し、個々の成分の寄与を識別する、堅牢な機械学習および説明可能なAI(XAI)フレームワークを導入する。 このフレームワークは、触媒データの不足と不均衡を処理するために設計された一連のMLプラクティスを組み合わせる。 酸化メタンカップリングにおける各種触媒成分の収率の分類にフレームワークを適用し,木系モデル,ロジスティック回帰,サポートベクトルマシン,ニューラルネットワークなどのMLモデルの性能評価に利用した。 これらの実験により、我々のフレームワークで使用される手法は、評価されたモデルのうちの1つを除く全てのモデルの性能を大幅に向上させることを示した。 さらに,XAI法を用いて触媒性能を予測する上で最も重要な特徴を同定することにより,各MLモデルの意思決定過程を解析する。 分析の結果,XAI法は,高収率触媒に特異的に寄与する重要な成分を同定した。 これらの知見は化学直観や既存の文献と一致し、その妥当性を高めた。 このような知見は, 新規触媒の開発・同定において, 優れた性能を有する化学者を支援することができると信じている。

関連論文リスト

• Leveraging Data Mining, Active Learning, and Domain Adaptation in a Multi-Stage, Machine Learning-Driven Approach for the Efficient Discovery of Advanced Acidic Oxygen Evolution Electrocatalysts [10.839705761909709]
  本研究では, 複雑な多金属触媒の発見と最適化を効率化する, 新たな多段階機械学習手法を提案する。 本手法は,材料発見プロセスを通じて,データマイニング,アクティブラーニング,ドメイン適応を統合している。
  論文  参考訳（メタデータ） (2024-07-05T22:14:55Z)
• Learning on Transformers is Provable Low-Rank and Sparse: A One-layer Analysis [63.66763657191476]
  低ランク計算としての効率的な数値学習と推論アルゴリズムはトランスフォーマーに基づく適応学習に優れた性能を持つことを示す。 我々は、等級モデルが適応性を改善しながら一般化にどのように影響するかを分析する。 適切なマグニチュードベースのテストは,テストパフォーマンスに多少依存している,と結論付けています。
  論文  参考訳（メタデータ） (2024-06-24T23:00:58Z)
• Explainable Data-driven Modeling of Adsorption Energy in Heterogeneous Catalysis [6.349503549199403]
  本研究の目的は,物理研究とデータ駆動手法のギャップを埋めることである。 我々は、ポストホックXAI分析とシンボリック回帰という2つのXAI技術を採用している。 私たちの仕事は、機械学習技術とXAIを統合する堅牢なフレームワークを確立します。
  論文  参考訳（メタデータ） (2024-05-30T18:06:14Z)
• Adaptive Catalyst Discovery Using Multicriteria Bayesian Optimization with Representation Learning [17.00084254889438]
  高性能触媒は、持続可能なエネルギー変換と人間の健康に不可欠である。 触媒の発見は、巨大で高次元の構造と合成空間をナビゲートするための効率的なアプローチがないため、課題に直面している。
  論文  参考訳（メタデータ） (2024-04-18T18:11:06Z)
• An Autonomous Large Language Model Agent for Chemical Literature Data Mining [60.85177362167166]
  本稿では,幅広い化学文献から高忠実度抽出が可能なエンドツーエンドAIエージェントフレームワークを提案する。 本フレームワークの有効性は,反応条件データの精度,リコール,F1スコアを用いて評価する。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
  本稿では,DAF(Disdisrepancy Aware Framework)を提案する。 本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。 単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
  論文  参考訳（メタデータ） (2023-10-11T15:21:40Z)
• Catalysis distillation neural network for the few shot open catalyst challenge [1.1878820609988694]
  本稿では,機械学習の反応予測への応用を推し進めるコンペであるFew-Shot Open Catalyst Challenge 2023を紹介する。 触媒蒸留グラフニューラルネットワーク(CDGNN)というフレームワークを用いた機械学習手法を提案する。 その結果,CDGNNは触媒構造からの埋め込みを効果的に学習し,構造吸着関係の捕捉を可能にした。
  論文  参考訳（メタデータ） (2023-05-31T04:23:56Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• Quantitative Prediction on the Enantioselectivity of Multiple Chiral Iodoarene Scaffolds Based on Whole Geometry [4.042350304426974]
  名前反応におけるキラル触媒の反応範囲を拡張するための予測ワークフローを提案する。 複数の触媒足場の3D構造を最適化したDFTから全ジオメトリディスクリプタをエンコードした。 アンサンブルモデルのコンセンサス予測のために、このグローバルディスクリプタは、ステリモールパラメータおよび非共有相互作用と比較することができる。
  論文  参考訳（メタデータ） (2021-03-25T20:08:56Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)

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。