論文の概要: Assessing data-driven predictions of band gap and electrical conductivity for transparent conducting materials

• arxiv url: http://arxiv.org/abs/2411.14034v1
• Date: Thu, 21 Nov 2024 11:37:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:18:21.441253
• Title: Assessing data-driven predictions of band gap and electrical conductivity for transparent conducting materials
• Title（参考訳）: 透明導体材料のバンドギャップと導電率に関するデータ駆動予測の評価
• Authors: Federico Ottomano, John Y. Goulermas, Vladimir Gusev, Rahul Savani, Michael W. Gaultois, Troy D. Manning, Hai Lin, Teresa P. Manzanera, Emmeline G. Poole, Matthew S. Dyer, John B. Claridge, Jon Alaria, Luke M. Daniels, Su Varma, David Rimmer, Kevin Sanderson, Matthew J. Rosseinsky,
• Abstract要約: 本稿では,新しい透明導電材料発見の促進を目的としたデータ駆動型フレームワークを提案する。 利用可能なデータの不足を軽減するため、ユニークな実験データベースを作成し、検証する。 我々は、既知のTCMの典型的な要素を含む55の合成の一覧において、本手法を検証した。
• 参考スコア（独自算出の注目度）: 10.3054383984768
• License:
• Abstract: Machine Learning (ML) has offered innovative perspectives for accelerating the discovery of new functional materials, leveraging the increasing availability of material databases. Despite the promising advances, data-driven methods face constraints imposed by the quantity and quality of available data. Moreover, ML is often employed in tandem with simulated datasets originating from density functional theory (DFT), and assessed through in-sample evaluation schemes. This scenario raises questions about the practical utility of ML in uncovering new and significant material classes for industrial applications. Here, we propose a data-driven framework aimed at accelerating the discovery of new transparent conducting materials (TCMs), an important category of semiconductors with a wide range of applications. To mitigate the shortage of available data, we create and validate unique experimental databases, comprising several examples of existing TCMs. We assess state-of-the-art (SOTA) ML models for property prediction from the stoichiometry alone. We propose a bespoke evaluation scheme to provide empirical evidence on the ability of ML to uncover new, previously unseen materials of interest. We test our approach on a list of 55 compositions containing typical elements of known TCMs. Although our study indicates that ML tends to identify new TCMs compositionally similar to those in the training data, we empirically demonstrate that it can highlight material candidates that may have been previously overlooked, offering a systematic approach to identify materials that are likely to display TCMs characteristics.
• Abstract（参考訳）: 機械学習(ML)は、新しい機能性物質の発見を加速し、材料データベースの可用性を向上するための革新的な視点を提供する。 有望な進歩にもかかわらず、データ駆動方式は、利用可能なデータの量と品質によって課される制約に直面している。 さらに、MLは密度汎関数理論(DFT)から派生したシミュレーションデータセットと組み合わせて用いられることが多く、インサンプル評価方式によって評価される。 このシナリオは、産業アプリケーションのための新しい重要な材料クラスを明らかにする上で、MLの実用性に関する疑問を提起する。 本稿では,多分野にわたる半導体の重要なカテゴリである新しい透明導電材料(TCM)の発見を促進することを目的とした,データ駆動型フレームワークを提案する。 利用可能なデータの不足を軽減するため、既存のTCMのいくつかの例を含む、ユニークな実験データベースを作成し、検証する。 実測値のみから特性予測を行うため, 最先端(SOTA)MLモデルの評価を行った。 本稿では,ML が興味を示さない新素材を発見できることを示す実証的証拠を提供するため,bespoke 評価手法を提案する。 我々は、既知のTCMの典型的な要素を含む55の合成の一覧において、本手法を検証した。 本研究は、MLがトレーニングデータと組成的に類似した新しいTCMを識別する傾向があることを示唆するが、これまで見過ごされていたかもしれない素材候補を強調表示できることを実証的に示し、TCMの特徴を示す可能性のある材料を特定するための体系的なアプローチを提供する。

関連論文リスト

• Star-Agents: Automatic Data Optimization with LLM Agents for Instruction Tuning [71.2981957820888]
  本稿では,データセット間のデータ品質向上を自動化する新しいStar-Agentsフレームワークを提案する。 このフレームワークは最初,複数のLDMエージェントを用いた多様なインストラクションデータを生成する。 生成したデータは、難易度と品質の両方を評価する二重モデル法を用いて厳密な評価を行う。
  論文  参考訳（メタデータ） (2024-11-21T02:30:53Z)
• LLMatDesign: Autonomous Materials Discovery with Large Language Models [5.481299708562135]
  新しい材料は科学的、技術的に重要な意味を持つ。 機械学習の最近の進歩により、データ駆動の手法により、有望な材料を素早くスクリーニングしたり、生成したりすることが可能になった。 LLMatDesignは,大規模言語モデルを用いた材料設計のための新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-06-19T02:35:02Z)
• MatPlotAgent: Method and Evaluation for LLM-Based Agentic Scientific Data Visualization [86.61052121715689]
  MatPlotAgentは、科学的データ可視化タスクを自動化するために設計された、モデルに依存しないフレームワークである。 MatPlotBenchは、100人の検証されたテストケースからなる高品質なベンチマークである。
  論文  参考訳（メタデータ） (2024-02-18T04:28:28Z)
• C-ICL: Contrastive In-context Learning for Information Extraction [54.39470114243744]
  c-ICLは、正しいサンプル構築と間違ったサンプル構築の両方を活用して、コンテキスト内学習のデモを作成する、新しい数ショット技術である。 各種データセットに対する実験により,c-ICLは従来の数発のインコンテキスト学習法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-02-17T11:28:08Z)
• Mining experimental data from Materials Science literature with Large Language Models: an evaluation study [1.9849264945671101]
  本研究は,大規模言語モデル (LLM) の教材科学における科学的資料から構造化情報を抽出する能力を評価することを目的としている。 我々は,情報抽出における2つの重要な課題に焦点をあてる: (i) 研究材料と物性の名前を付けたエンティティ認識(NER) と, (ii) それらのエンティティ間の関係抽出(RE) である。 これらのタスクの実行におけるLCMの性能は、BERTアーキテクチャとルールベースのアプローチ(ベースライン)に基づいて従来のモデルと比較される。
  論文  参考訳（メタデータ） (2024-01-19T23:00:31Z)
• Curated LLM: Synergy of LLMs and Data Curation for tabular augmentation in low-data regimes [57.62036621319563]
  本稿では,Large Language Models (LLMs) の知識を低データ構造におけるデータ拡張に活用したCLLMを紹介する。 従来のジェネレータと比較して,低データ方式におけるCLLMの優れた性能を示す。
  論文  参考訳（メタデータ） (2023-12-19T12:34:46Z)
• Multimodal Learning for Materials [7.167520424757711]
  材料の基礎モデルの自己教師型マルチモーダルトレーニングを可能にするマルチモーダル・ラーニング・フォー・マテリアル(MultiMat)を紹介した。 複数の軸上のMaterial Projectデータベースからのデータを用いてフレームワークの可能性を示す。
  論文  参考訳（メタデータ） (2023-11-30T18:35:29Z)
• MatSciML: A Broad, Multi-Task Benchmark for Solid-State Materials Modeling [7.142619575624596]
  MatSci MLは機械学習(MatSci ML)法を用いたMATerials SCIenceをモデル化するためのベンチマークである。 MatSci MLは、モデルトレーニングと評価のための多様な材料システムとプロパティデータを提供する。 マルチデータセットの学習環境において、MatchSci MLは、研究者が複数のデータセットからの観測を組み合わせ、共通の特性を共同で予測することを可能にする。
  論文  参考訳（メタデータ） (2023-09-12T03:08:37Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)
• Intelligent multiscale simulation based on process-guided composite database [0.0]
  本稿では、プロセスモデリング、材料均質化、機械学習に基づく統合データ駆動モデリングフレームワークを提案する。 我々は, 自動車, 航空宇宙, エレクトロニクス産業において重要な材料システムとして認識されてきた, 射出成形した短繊維強化複合材料に興味を持っている。
  論文  参考訳（メタデータ） (2020-03-20T20:39:19Z)

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。