論文の概要: Data-efficient and Interpretable Inverse Materials Design using a Disentangled Variational Autoencoder
- arxiv url: http://arxiv.org/abs/2409.06740v1
- Date: Tue, 10 Sep 2024 02:21:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-12 17:44:43.275637
- Title: Data-efficient and Interpretable Inverse Materials Design using a Disentangled Variational Autoencoder
- Title（参考訳）: 分散変分オートエンコーダを用いたデータ効率・解釈可能な逆材料設計
- Authors: Cheng Zeng, Zulqarnain Khan, Nathan L. Post,
- Abstract要約: 逆材料設計は、新しい物質発見の加速に成功している。
多くの逆材料設計法では、教材表現のコンパクトな記述を提供するために潜在空間を学習する教師なし学習を用いる。
本稿では,不整合変分オートエンコーダをベースとした半教師付き学習手法を提案し,特徴,潜伏変数,対象特性の確率的関係を学習する。
- 参考スコア（独自算出の注目度）: 2.563209727695243
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inverse materials design has proven successful in accelerating novel material discovery. Many inverse materials design methods use unsupervised learning where a latent space is learned to offer a compact description of materials representations. A latent space learned this way is likely to be entangled, in terms of the target property and other properties of the materials. This makes the inverse design process ambiguous. Here, we present a semi-supervised learning approach based on a disentangled variational autoencoder to learn a probabilistic relationship between features, latent variables and target properties. This approach is data efficient because it combines all labelled and unlabelled data in a coherent manner, and it uses expert-informed prior distributions to improve model robustness even with limited labelled data. It is in essence interpretable, as the learnable target property is disentangled out of the other properties of the materials, and an extra layer of interpretability can be provided by a post-hoc analysis of the classification head of the model. We demonstrate this new approach on an experimental high-entropy alloy dataset with chemical compositions as input and single-phase formation as the single target property. While single property is used in this work, the disentangled model can be extended to customize for inverse design of materials with multiple target properties.
- Abstract（参考訳）: 逆材料設計は、新しい物質発見の加速に成功している。
多くの逆材料設計法では、教材表現のコンパクトな記述を提供するために潜在空間を学習する教師なし学習を用いる。
この方法で学習された潜在空間は、対象の物性と他の材料の性質の観点から、絡み合っている可能性が高い。
これにより、逆設計プロセスが曖昧になる。
本稿では,不整合変分オートエンコーダをベースとした半教師付き学習手法を提案し,特徴,潜伏変数,対象特性の確率的関係を学習する。
このアプローチは、ラベル付きデータと非ラベル付きデータとをコヒーレントに組み合わせ、専門家による事前分布を用いて、ラベル付きデータに制限のあるモデルロバスト性を改善するため、データ効率がよい。
学習対象プロパティが材料の他の特性から切り離されているため、本質的に解釈可能であり、モデルの分類ヘッドのポストホック解析により、余分な解釈性を提供することができる。
本研究では, 化学組成を入力とし, 単相生成を単一ターゲット特性とする実験用高エントロピー合金データセットに対する新しいアプローチを示す。
本研究では, 単一特性を用いた場合, 複数の対象特性を持つ材料の逆設計をカスタマイズするために, アンタングルモデルを拡張することができる。
関連論文リスト
- Targeting the partition function of chemically disordered materials with a generative approach based on inverse variational autoencoders [0.0]
そこで本研究では,生成機械学習を用いて特性評価を行う手法を提案する。
本手法では,エンコーダとデコーダの逆の役割を持つ特定の種類の変分オートエンコーダを用いる。
本稿では, (U, Pu)O2混合酸化物燃料における点欠陥生成エネルギーと濃度の計算によるアプローチについて述べる。
論文 参考訳（メタデータ） (2024-08-27T10:05:37Z) - VAE for Modified 1-Hot Generative Materials Modeling, A Step Towards
Inverse Material Design [0.0]
材料設計において, 所定の特性を持つ材料を設計しようとする場合, 提案する新素材の合成可能性を確保することが重要な課題である。
私たちは、暗黙のデータセット関係、すなわち、ある物質をデータセット内の他の物質に分解することができることをエンコードします。
本稿では,この特性を潜在空間に保持し,新しいサンプルを生成可能なVAEモデルを提案する。
論文 参考訳（メタデータ） (2023-12-25T04:04:47Z) - Hodge-Aware Contrastive Learning [101.56637264703058]
単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。
我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
論文 参考訳（メタデータ） (2023-09-14T00:40:07Z) - Disentanglement via Latent Quantization [60.37109712033694]
本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。
本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
論文 参考訳（メタデータ） (2023-05-28T06:30:29Z) - Differentiable graph-structured models for inverse design of lattice
materials [0.0]
異なる環境条件に適応可能な物理化学的性質を有する建築材料は、材料科学の破壊的な新しい領域を具現化している。
正規および不規則な格子材料に対するグラフベース表現を用いた新しい計算手法を提案する。
論文 参考訳（メタデータ） (2023-04-11T18:00:21Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳（メタデータ） (2022-10-07T17:56:53Z) - Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。
提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。
我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
論文 参考訳（メタデータ） (2021-11-25T17:33:12Z) - How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。
具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文 参考訳（メタデータ） (2021-11-10T21:19:02Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - Machine learning with persistent homology and chemical word embeddings
improves prediction accuracy and interpretability in metal-organic frameworks [0.07874708385247352]
材料の構造と化学の複雑な表現をキャプチャする記述子を自動的に生成するエンド・ツー・エンドの機械学習モデルを提案する。
物質系から直接、幾何学的および化学的情報をカプセル化する。
提案手法は, 対象物間での精度, 転送可能性の両面において, 一般的に用いられている手作業による特徴量から構築したモデルに比べ, かなり改善されている。
論文 参考訳（メタデータ） (2020-10-01T16:31:46Z) - Ensemble learning reveals dissimilarity between rare-earth transition
metal binary alloys with respect to the Curie temperature [0.0]
本研究では,材料間の相違点を抽出するデータ駆動方式を提案する。
提案手法は,データ構造をより深く理解するための潜在的なツールとみなすことができる。
論文 参考訳（メタデータ） (2020-08-20T07:46:09Z)
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。