論文の概要: Material Property Prediction with Element Attribute Knowledge Graphs and Multimodal Representation Learning

• arxiv url: http://arxiv.org/abs/2411.08414v1
• Date: Wed, 13 Nov 2024 08:07:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:11:46.458911
• Title: Material Property Prediction with Element Attribute Knowledge Graphs and Multimodal Representation Learning
• Title（参考訳）: 要素属性知識グラフとマルチモーダル表現学習を用いた材料特性予測
• Authors: Chao Huang, Chunyan Chen, Ling Shi, Chen Chen,
• Abstract要約: 要素特性知識グラフを構築し、埋め込みモデルを用いて、要素属性を知識グラフ内にエンコードする。 マルチモーダル融合フレームワークであるESNetは、要素特性特徴と結晶構造特徴を統合し、ジョイントマルチモーダル表現を生成する。 これは結晶材料の性能を予測するためのより包括的な視点を提供する。
• 参考スコア（独自算出の注目度）: 8.523289773617503
• License:
• Abstract: Machine learning has become a crucial tool for predicting the properties of crystalline materials. However, existing methods primarily represent material information by constructing multi-edge graphs of crystal structures, often overlooking the chemical and physical properties of elements (such as atomic radius, electronegativity, melting point, and ionization energy), which have a significant impact on material performance. To address this limitation, we first constructed an element property knowledge graph and utilized an embedding model to encode the element attributes within the knowledge graph. Furthermore, we propose a multimodal fusion framework, ESNet, which integrates element property features with crystal structure features to generate joint multimodal representations. This provides a more comprehensive perspective for predicting the performance of crystalline materials, enabling the model to consider both microstructural composition and chemical characteristics of the materials. We conducted experiments on the Materials Project benchmark dataset, which showed leading performance in the bandgap prediction task and achieved results on a par with existing benchmarks in the formation energy prediction task.
• Abstract（参考訳）: 機械学習は結晶材料の特性を予測する重要なツールとなっている。 しかし、既存の手法は主に結晶構造の多端グラフを構築することで材料情報を表現しており、しばしば元素(原子半径、電子陰性度、融点、電離エネルギーなど)の化学的および物理的性質を見落とし、材料性能に大きな影響を及ぼす。 この制限に対処するため、我々はまず要素特性知識グラフを構築し、埋め込みモデルを用いて要素属性を知識グラフ内にエンコードした。 さらに, 要素特性特徴と結晶構造特徴を統合し, 共同マルチモーダル表現を生成する多モード融合フレームワークESNetを提案する。 これにより、結晶材料の性能を予測するためのより包括的な視点が得られ、モデルが材料の微細構造組成と化学的特性の両方を考慮できる。 そこで,本研究では,バンドギャップ予測タスクにおける先行性能と,生成エネルギー予測タスクにおける既存ベンチマークと同等の性能を示す材料プロジェクトベンチマークデータセットの実験を行った。

関連論文リスト

• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• CrysAtom: Distributed Representation of Atoms for Crystal Property Prediction [0.0]
  物質科学の文献では、結晶性物質がトポロジカルな構造を示すことはよく知られている。 本稿では,原子の密度ベクトル表現を生成するために,無相関結晶データを用いた教師なしフレームワーク,CrysAtomを提案する。
  論文  参考訳（メタデータ） (2024-09-07T06:58:55Z)
• Revealing the structure-property relationships of copper alloys with FAGC [7.00651980770986]
  本研究では,Cu-Cr-Zr合金に対して,FAGC(Feature Augmentation on Geodesic Curves)法を提案する。 このアプローチは、機械学習を利用して、合金の微細構造の画像内の形状を調べ、その機械的および電子的特性を予測する。 FAGC法では,Cu-Cr-Zr合金の電気伝導率および硬さの予測精度が著しく向上した。
  論文  参考訳（メタデータ） (2024-04-15T07:20:09Z)
• Spectroscopy-Guided Discovery of Three-Dimensional Structures of Disordered Materials with Diffusion Models [6.97950396242977]
  対象物から乱れた材料の3次元構造を予測するための拡散モデルに基づく新しいフレームワークを提案する。 我々のモデルは、特定のXANESスペクトルの原子配列を調整するための生成過程を制御できることを示します。 本研究は, 材料評価と原子構造決定のギャップを埋める上で, 重要な歩みを示している。
  論文  参考訳（メタデータ） (2023-12-09T05:40:10Z)
• Alchemist: Parametric Control of Material Properties with Diffusion Models [51.63031820280475]
  本手法は,フォトリアリズムで知られているテキスト・イメージ・モデルの生成先行に乗じる。 我々は,NeRFの材料化へのモデルの適用の可能性を示す。
  論文  参考訳（メタデータ） (2023-12-05T18:58:26Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。 材料の生成モデルを評価するための追加指標を提案する。
  論文  参考訳（メタデータ） (2023-10-18T15:49:39Z)
• Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
  本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。 本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。 その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
  論文  参考訳（メタデータ） (2023-10-07T21:36:55Z)
• Leveraging Orbital Information and Atomic Feature in Deep Learning Model [0.413365552362244]
  本稿では,原子記述子生成とグラフ表現学習という2つの部分からなる結晶表現学習フレームワーク,Orbital CrystalNet, OCrystalNetを提案する。 OCrystalNetの能力を実証するために、Material ProjectデータセットとJARVISデータセット上で、多くの予測タスクを実行しました。 その結果,我々のモデルは,他の最先端の美術モデルに対して様々な利点があることがわかった。
  論文  参考訳（メタデータ） (2022-10-29T06:22:29Z)
• Formula graph self-attention network for representation-domain independent materials discovery [3.67735033631952]
  本稿では,理論のみと構造に基づく材料記述子の両方を統一する公式グラフの新たな概念を提案する。 本稿では,式グラフに類似した自己注意統合GNNを開発し,提案アーキテクチャが2つの領域間で伝達可能な材料埋め込みを生成することを示す。 我々のモデルは、構造に依存しない従来のGNNよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-01-14T19:49:45Z)
• 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)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。