論文の概要: Predicting and Accelerating Nanomaterials Synthesis Using Machine Learning Featurization
- arxiv url: http://arxiv.org/abs/2409.08054v2
- Date: Tue, 22 Oct 2024 20:02:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 21:31:36.159828
- 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: 反射型高エネルギー電子回折データの特徴抽出と機械学習による一般化を行う。
専門家ラベル付きデータの小さなセット(10)で定量的に予測関係を確立し、その後に成長したサンプルでかなりの時間を節約した。
これらの予測は、未解決の試行を回避し、後続のキャラクタリゼーションを減らし、材料合成の制御分解能を改善するためのガイダンスを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Materials synthesis optimization is constrained by serial feedback processes that rely on manual tools and intuition across multiple siloed modes of characterization. We automate and generalize feature extraction of reflection high-energy electron diffraction (RHEED) data with machine learning to establish quantitatively predictive relationships in small sets (\~10) of expert-labeled data, saving significant time on subsequently grown samples. These predictive relationships are evaluated in a representative material system (\ce{W_{1-x}V_xSe2} on c-plane sapphire (0001)) with two aims: 1) predicting grain alignment of the deposited film using pre-growth substrate data, and 2) estimating vanadium 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 materials-agnostic features, avoiding specific system retraining and leading to a potential 80\% time saving over a 100-sample synthesis campaign. These predictions provide guidance to avoid doomed trials, reduce follow-on characterization, and improve control resolution for materials synthesis.
- Abstract（参考訳）: 材料合成の最適化は、手動のツールと複数のサイロモードにまたがる直感に依存するシリアルフィードバックプロセスによって制約される。
我々は、反射高エネルギー電子回折(RHEED)データの特徴抽出を機械学習で自動化し、専門家ラベル付きデータの小さなセット(〜10)で定量的に予測関係を確立する。
これらの予測関係は、c面サファイア(0001)上の代表物質系(\ce{W_{1-x}V_xSe2})において、2つの目的で評価される。
1) 成長前基板データによる成膜膜の粒状配向予測と粒状配向予測
2) in-situ RHEED を用いてバナジウム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、同じ材料に依存しない機能を使用して達成され、特定のシステムの再訓練を回避し、100サンプルの合成キャンペーンに対して80%の時間節約につながる可能性がある。
これらの予測は、未解決の試行を回避し、後続のキャラクタリゼーションを減らし、材料合成の制御分解能を改善するためのガイダンスを提供する。
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。