論文の概要: Predicting and Accelerating Nanomaterials Synthesis Using Machine Learning Featurization
- arxiv url: http://arxiv.org/abs/2409.08054v1
- Date: Thu, 12 Sep 2024 14:03:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-13 16:17:53.663062
- Title: Predicting and Accelerating Nanomaterials Synthesis Using Machine Learning Featurization
- Title（参考訳）: 機械学習によるナノ材料合成の予測と高速化
- Authors: Christopher C. Price, Yansong Li, Guanyu Zhou, Rehan Younas, Spencer S. Zeng, Tim H. Scanlon, Jason M. Munro, Christopher L. Hinkle,
- Abstract要約: 我々は機械学習を用いて、その場反射高エネルギー電子回折(RHEED)データに対する特徴抽出の自動化と一般化を行う。
これらの予測は、未熟な試行を避けるためのレシピ調整のガイダンスを提供し、後続のキャラクタリゼーションを減らし、材料合成の制御精度を向上させる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Solving for the complex conditions of materials synthesis and processing requires analyzing information gathered from multiple modes of characterization. Currently, quantitative information is extracted serially with manual tools and intuition, constraining the feedback cycle for process optimization. We use machine learning to automate and generalize feature extraction for in-situ reflection high-energy electron diffraction (RHEED) data to establish quantitatively predictive relationships in small sets ($\sim$10) of expert-labeled data, and apply these to save significant time on subsequent epitaxially grown samples. The fidelity of these relationships is tested on a representative material system ($W_{1-x}V_xSe2$ growth on c-plane sapphire substrate (0001)) at two stages of synthesis with two aims: 1) predicting the grain alignment of the deposited film from the pre-growth substrate surface data, and 2) estimating the vanadium (V) dopant concentration using in-situ RHEED as a proxy for ex-situ methods (e.g. x-ray photoelectron spectroscopy). Both tasks are accomplished using the same set of materials agnostic core features, eliminating the need to retrain for specific systems and leading to a potential 80\% time saving over a 100 sample synthesis campaign. These predictions provide guidance for recipe adjustments to avoid doomed trials, reduce follow-on characterization, and improve control resolution for materials synthesis, ultimately accelerating materials discovery and commercial scale-up.
- Abstract（参考訳）: 材料合成と加工の複雑な条件の解決には、複数の特性のモードから収集された情報を分析する必要がある。
現在、定量的情報は手動のツールや直感と共に連続的に抽出され、プロセス最適化のフィードバックサイクルが制限されている。
我々は機械学習を用いて、その場反射高エネルギー電子回折(RHEED)データの特徴抽出を自動化・一般化し、専門家ラベル付きデータの小さなセット(\sim$10)で定量的に予測関係を確立する。
これらの関係の忠実性は、c面サファイア基板(0001)上の2つの目的の合成において、代表物質系(W_{1-x}V_xSe2$成長)で試験される。
1)成長前の基板表面データから成膜膜の粒配向を予測し,
2) in-situ RHEED を用いてバナジウム(V)ドーパント濃度を推定した(例えば、X線光電子分光法)。
どちらのタスクも、同じ素材の非依存のコア機能を使用して達成され、特定のシステムの再トレーニングを不要にし、100サンプル合成キャンペーンよりも80%の時間を節約できる可能性がある。
これらの予測は、未熟な試行を避けるためのレシピ調整のガイダンスを提供し、後続のキャラクタリゼーションを減らし、材料合成の制御精度を改善し、最終的に材料発見と商業的スケールアップを加速させる。
関連論文リスト
- SciQu: Accelerating Materials Properties Prediction with Automated Literature Mining for Self-Driving Laboratories [0.7673339435080445]
特定の属性を予測するために異なる材料特性を評価することは、材料科学に基づく応用の基本的な要件である。
本研究は,機械学習を利用して材料特性を高精度かつ効率的に解析することにより,これらの課題に対処する。
データ抽出を自動化し、抽出した情報を用いて機械学習モデルを訓練することにより、開発したSciQuは材料特性を最適化する。
論文 参考訳（メタデータ） (2024-07-11T08:12:46Z) - Accelerating Drug Safety Assessment using Bidirectional-LSTM for SMILES Data [0.0]
Bi-Directional Long Short Term Memory (BiLSTM) は、入力分子配列を処理するリカレントニューラルネットワーク(RNN)の変種である。
提案した研究は、SMILES文字列にコードされたシーケンシャルパターンを理解することを目的としており、それによって分子の毒性を予測する。
論文 参考訳（メタデータ） (2024-07-08T18:12:11Z) - 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) - Retrosynthesis Prediction with Local Template Retrieval [112.23386062396622]
特定の標的分子の反応を予測する再合成は、薬物発見に必須の課題である。
本稿では,局所的な反応テンプレート検索手法であるRetroKNNを紹介する。
我々は、広く使われている2つのベンチマーク、USPTO-50KとUSPTO-MITで包括的な実験を行う。
論文 参考訳（メタデータ） (2023-06-07T03:38:03Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳（メタデータ） (2023-04-04T17:54:32Z) - Using Scalable Computer Vision to Automate High-throughput Semiconductor
Characterization [38.434005183658975]
本稿では,コンピュータビジョンの適応性,並列性,拡張性を活用した自動材料特性評価(オートキャラクタリゼーション)ツールを提案する。
本稿では,高スループット合成二元系のための一般化可能な合成マッピングツールについて述べる。
また,6分で200種類の独特な構成のバンドギャップを自律的に計算し,20分で200種類の独特な構成の劣化度を自律的に計算する2つのスケーラブルな自動評価アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-16T17:30:51Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-01-14T15:07:43Z) - Trustworthiness of Laser-Induced Breakdown Spectroscopy Predictions via
Simulation-based Synthetic Data Augmentation and Multitask Learning [4.633997895806144]
レーザ誘起分解分光法を用いてスペクトルデータの定量的解析を行う。
我々は、利用可能なトレーニングデータの小さなサイズと、未知のデータに対する推論中の予測の検証に対処する。
論文 参考訳（メタデータ） (2022-10-07T18:00:09Z) - MetaRF: Differentiable Random Forest for Reaction Yield Prediction with
a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。
筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。
数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文 参考訳（メタデータ） (2022-08-22T06:40:13Z) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳（メタデータ） (2021-02-02T09:34:34Z) - Data Transfer Approaches to Improve Seq-to-Seq Retrosynthesis [1.6449390849183363]
再合成は、化学反応によって与えられた生成物化合物を合成するために反応化合物を推測する問題である。
レトロ合成に関する最近の研究は、より洗練された予測モデルの提案に焦点を当てている。
モデルをフィードするデータセットは、最高の一般化モデルを達成する上でも重要な役割を果たす。
論文 参考訳（メタデータ） (2020-10-02T05:27:51Z)
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。