論文の概要: AI-driven inverse design of materials: Past, present and future
- arxiv url: http://arxiv.org/abs/2411.09429v1
- Date: Thu, 14 Nov 2024 13:25:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-15 15:23:37.882907
- Title: AI-driven inverse design of materials: Past, present and future
- Title（参考訳）: AIによる素材の逆設計--過去・現在・未来
- Authors: Xiao-Qi Han, Xin-De Wang, Meng-Yuan Xu, Zhen Feng, Bo-Wen Yao, Peng-Jie Guo, Ze-Feng Gao, Zhong-Yi Lu,
- Abstract要約: 人間は長い間、多数の実験を通じて新しい物質を探索し、新しい物質の性質と構造を予測するための対応する理論システムを提案してきた。
計算能力の向上により、研究者は徐々に様々な電子構造計算手法を開発してきた。
近年,計算機科学分野における人工知能技術の急速な発展により,材料特性と構造との暗黙的関連が効果的に評価されるようになった。
生成的および識別的モデルに基づく素材の逆設計において顕著な進歩が見られ、研究者から広く注目を集めている。
- 参考スコア（独自算出の注目度）: 5.813167950821478
- License:
- Abstract: The discovery of advanced materials is the cornerstone of human technological development and progress. The structures of materials and their corresponding properties are essentially the result of a complex interplay of multiple degrees of freedom such as lattice, charge, spin, symmetry, and topology. This poses significant challenges for the inverse design methods of materials. Humans have long explored new materials through a large number of experiments and proposed corresponding theoretical systems to predict new material properties and structures. With the improvement of computational power, researchers have gradually developed various electronic structure calculation methods, particularly such as the one based density functional theory, as well as high-throughput computational methods. Recently, the rapid development of artificial intelligence technology in the field of computer science has enabled the effective characterization of the implicit association between material properties and structures, thus opening up an efficient paradigm for the inverse design of functional materials. A significant progress has been made in inverse design of materials based on generative and discriminative models, attracting widespread attention from researchers. Considering this rapid technological progress, in this survey, we look back on the latest advancements in AI-driven inverse design of materials by introducing the background, key findings, and mainstream technological development routes. In addition, we summarize the remaining issues for future directions. This survey provides the latest overview of AI-driven inverse design of materials, which can serve as a useful resource for researchers.
- Abstract（参考訳）: 先進的な素材の発見は、人間の技術開発と進歩の基盤となっている。
物質の構造とその対応する性質は、基本的に格子、電荷、スピン、対称性、トポロジーなど、複数の自由度の複雑な相互作用の結果である。
これは材料の逆設計法に重大な課題をもたらす。
人間は長い間、多数の実験を通じて新しい物質を探索し、新しい物質の性質と構造を予測するための対応する理論システムを提案してきた。
計算能力の向上により、研究者は、特に1基密度汎関数理論や高スループット計算法など、様々な電子構造計算手法を徐々に開発してきた。
近年, 計算機科学分野における人工知能技術の急速な発展により, 材料特性と構造との暗黙的関連を効果的に評価できるようになり, 機能性材料の逆設計のための効率的なパラダイムが確立されている。
生成的および識別的モデルに基づく素材の逆設計において顕著な進歩が見られ、研究者から広く注目を集めている。
この急激な技術進歩を踏まえて、本調査では、背景、重要な発見、主流技術開発ルートを導入することで、材料をAIで駆動する逆設計の最新の進歩を振り返る。
また,今後の課題についても概説する。
このサーベイは、AIによる素材の逆設計の最新の概要を提供する。
関連論文リスト
- SciAgents: Automating scientific discovery through multi-agent intelligent graph reasoning [0.0]
人工知能の鍵となる課題は、科学的理解を自律的に進めるシステムを作ることである。
3つのコア概念を活用するアプローチであるSciAgentsを提案する。
この枠組みは研究仮説を自律的に生成し、基礎となるメカニズム、設計原則、予期せぬ材料特性を解明する。
我々のケーススタディでは、生成AI、オントロジ表現、マルチエージェントモデリングを組み合わせて、生物学的システムに似た知能の群を活用できるスケーラブルな能力を実証している。
論文 参考訳（メタデータ） (2024-09-09T12:25:10Z) - Generative AI Agent for Next-Generation MIMO Design: Fundamentals, Challenges, and Vision [76.4345564864002]
次世代の多重入力多重出力(MIMO)はインテリジェントでスケーラブルであることが期待される。
本稿では、カスタマイズされた特殊コンテンツを生成することができる生成型AIエージェントの概念を提案する。
本稿では、生成AIエージェントをパフォーマンス分析に活用することの有効性を示す2つの説得力のあるケーススタディを示す。
論文 参考訳（メタデータ） (2024-04-13T02:39:36Z) - Advancing Extrapolative Predictions of Material Properties through Learning to Learn [1.3274508420845539]
我々は、ニューラルネットワークの注意に基づくアーキテクチャとメタ学習アルゴリズムを用いて、外挿的一般化能力を取得する。
このような外挿訓練されたモデルの可能性、特に目に見えない物質ドメインに迅速に適応する能力を強調します。
論文 参考訳（メタデータ） (2024-03-25T09:30:19Z) - A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian
Learning and Free Energy Minimization [55.11642177631929]
大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。
我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
論文 参考訳（メタデータ） (2023-10-14T23:28:48Z) - MatChat: A Large Language Model and Application Service Platform for
Materials Science [18.55541324347915]
我々は、LLaMA2-7Bモデルのパワーを活用し、13,878個の構造化材料知識データを組み込んだ学習プロセスを通じて、LLaMA2-7Bモデルを強化する。
MatChatという名前のこの専門的なAIモデルは、無機物質合成経路の予測に焦点を当てている。
MatChatは現在オンラインでアクセス可能であり、モデルとアプリケーションフレームワークの両方をオープンソースとして利用できる。
論文 参考訳（メタデータ） (2023-10-11T05:11:46Z) - AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。
本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。
実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
論文 参考訳（メタデータ） (2023-10-03T06:55:19Z) - Artificial intelligence approaches for materials-by-design of energetic
materials: state-of-the-art, challenges, and future directions [0.0]
我々は,AIによる材料設計の進歩とそのエネルギー材料への応用についてレビューする。
文献における手法を,少数のデータから学習する能力の観点から評価する。
本稿では,メタラーニング,アクティブラーニング,ベイズラーニング,半/弱教師付きラーニングなど,EM教材の今後の研究方向性について提案する。
論文 参考訳（メタデータ） (2022-11-15T14:41:11Z) - Vision Paper: Causal Inference for Interpretable and Robust Machine
Learning in Mobility Analysis [71.2468615993246]
インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。
ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。
このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
論文 参考訳（メタデータ） (2022-10-18T17:28:58Z) - Artificial Intelligence in Concrete Materials: A Scientometric View [77.34726150561087]
本章は, コンクリート材料用AI研究の主目的と知識構造を明らかにすることを目的としている。
まず、1990年から2020年にかけて発行された389の雑誌記事が、ウェブ・オブ・サイエンスから検索された。
キーワード共起分析やドキュメント共起分析などのサイエントメトリックツールを用いて,研究分野の特徴と特徴を定量化した。
論文 参考訳（メタデータ） (2022-09-17T18:24:56Z) - Artificial Intelligence in Material Engineering: A review on
applications of AI in Material Engineering [0.0]
高性能コンピューティングにより、重要なパラメータでディープラーニング(DL)モデルをテストできるようになった。
GAN(Generative Adversarial Network)は、無機材料の化学組成の生成を促進する。
既存の分析機器からの結果を分析するためのAIの利用についても論じる。
論文 参考訳（メタデータ） (2022-09-15T04:21:07Z) - On the Exploitation of Neuroevolutionary Information: Analyzing the Past
for a More Efficient Future [60.99717891994599]
本稿では,神経進化過程から情報を抽出し,メタモデルを構築するアプローチを提案する。
本稿では, 異なる特徴を有する生成的対向ネットワークの神経進化的探索における最良の構造について検討する。
論文 参考訳（メタデータ） (2021-05-26T20:55:29Z)
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。