論文の概要: Hierarchy-Boosted Funnel Learning for Identifying Semiconductors with Ultralow Lattice Thermal Conductivity
- arxiv url: http://arxiv.org/abs/2501.06775v1
- Date: Sun, 12 Jan 2025 11:03:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-14 14:21:11.227035
- Title: Hierarchy-Boosted Funnel Learning for Identifying Semiconductors with Ultralow Lattice Thermal Conductivity
- Title(参考訳): 超低格子熱伝導率半導体の階層ブーストファンネル学習
- Authors: Mengfan Wu, Shenshen Yan, Jie Ren,
- Abstract要約: 超低格子熱伝導率半導体(Kappa_mathrmL$)の同定に成功している階層型ファンネル学習(HiBoFL)フレームワークを提案する。
数十万のプールから教師なし学習を対象とする数百の教材をトレーニングすることにより、超低値のKappa_mathrmL$の効率的かつ解釈可能な教師付き予測を実現する。
その結果、潜在的な熱電応用のために、超低い$kappa_mathrmL$の候補のリストを提供し、大きな影響を及ぼす新しい因子を発見する。
- 参考スコア(独自算出の注目度): 2.186828191026978
- License:
- Abstract: Data-driven machine learning (ML) has demonstrated tremendous potential in material property predictions. However, the scarcity of materials data with costly property labels in the vast chemical space presents a significant challenge for ML in efficiently predicting properties and uncovering structure-property relationships. Here, we propose a novel hierarchy-boosted funnel learning (HiBoFL) framework, which is successfully applied to identify semiconductors with ultralow lattice thermal conductivity ($\kappa_\mathrm{L}$). By training on only a few hundred materials targeted by unsupervised learning from a pool of hundreds of thousands, we achieve efficient and interpretable supervised predictions of ultralow $\kappa_\mathrm{L}$, thereby circumventing large-scale brute-force calculations without clear objectives. As a result, we provide a list of candidates with ultralow $\kappa_\mathrm{L}$ for potential thermoelectric applications and discover a new factor that significantly influences structural anharmonicity. This study offers a novel practical pathway for accelerating the discovery of functional materials.
- Abstract(参考訳): データ駆動機械学習(ML)は、材料特性予測において大きな可能性を実証している。
しかし、膨大な化学領域における高価な特性ラベルを持つ材料データの不足は、MLが効率よく特性を予測し、構造とプロパティの関係を明らかにする上で大きな課題となる。
本稿では,超低格子熱伝導度半導体(\kappa_\mathrm{L}$)の同定に成功している階層型ファンネル学習(HiBoFL)フレームワークを提案する。
数十万のプールから教師なし学習を対象とする数百の教材をトレーニングすることにより、超低値の$\kappa_\mathrm{L}$の効率的かつ解釈可能な教師付き予測を実現し、明確な目的を持たずに大規模なブルートフォース計算を回避した。
その結果、潜在的な熱電応用のための超低い$\kappa_\mathrm{L}$の候補のリストを提供し、構造的不調和性に大きな影響を及ぼす新しい因子を発見する。
本研究は,機能性材料の発見を加速するための新しい実践的経路を提供する。
関連論文リスト
- DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。
我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。
LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2025-02-18T02:37:26Z) - Deep Learning Based Superconductivity: Prediction and Experimental Tests [2.78539995173967]
我々は,新しい超伝導材料を予測するために,深層学習(DL)に基づくアプローチを開発する。
DLネットワークから得られた化合物を合成し,超伝導特性を確認した。
特に、RFは化合物の化学化学的性質の知識を必要とするが、ニューラルネットワークの入力は化学組成にのみ依存する。
論文 参考訳(メタデータ) (2024-12-17T15:33:48Z) - Transfer Learning for Deep Learning-based Prediction of Lattice Thermal Conductivity [0.0]
深層学習モデル(ParAIsite)の精度と一般化性に及ぼす伝達学習の影響について検討する。
格子熱伝導率(LTC)の低品質近似の大規模なデータセット上で、初めて微調整を行うと、さらに改善が得られた。
有望な結果は、低熱伝導率材料を探索する大きなデータベースを探索する能力を高めるための道を開く。
論文 参考訳(メタデータ) (2024-11-27T11:57:58Z) - DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。
DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。
経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文 参考訳(メタデータ) (2024-10-08T10:48:50Z) - InvDesFlow: An AI search engine to explore possible high-temperature superconductors [9.926621857444765]
InvDesFlowは、深層モデルの事前トレーニングと微調整技術、拡散モデル、物理ベースのアプローチを統合するAI検索エンジンである。
非常に小さなサンプルセットに基づいて,AIモデルにより予測される臨界温度がT_c geq$15Kと予測された74個の動的安定材料を得た。
論文 参考訳(メタデータ) (2024-09-12T14:16:56Z) - An Experimental Study on Exploring Strong Lightweight Vision Transformers via Masked Image Modeling Pre-Training [51.622652121580394]
Masked Image Modeling (MIM) Pre-training for Large-scale Vision Transformer (ViTs) は、学習した自己教師型ViT機能に加えて、下流での有望なパフォーマンスを実現する。
本稿では,テキストテキストレメリーで軽量なViTの微調整性能が,この事前学習パラダイムの恩恵を受けるかどうかを問う。
バニラ/階層設計(5.7M$/6.5M$)による純軽量ViTの蒸留による事前トレーニングは、ImageNet-1で79.4%$/78.9%の精度で達成できる。
論文 参考訳(メタデータ) (2024-04-18T14:14:44Z) - Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。
我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
論文 参考訳(メタデータ) (2022-06-30T11:39:12Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - Active learning based generative design for the discovery of wide
bandgap materials [6.5175897155391755]
本論文では, アクティブ学習と, 深変量オートエンコーダニューラルネットワークと, ジェネレーション対向型ディープニューラルネットワークモデルを組み合わせた, アクティブジェネレーション逆設計手法を提案する。
この手法の応用により、高バンドギャップを有する新しい熱力学的に安定な材料と、特定のバンドギャップ範囲の半導体を発見できる。
本実験は, 能動学習自体が化学的に不可能な候補を抽出するのに対して, これらのサンプルは, 生成モデルが生成する仮説材料から望ましい特性を持つ材料をフィルタリングする効果的なスクリーニングモデルを訓練するのに有効であることを示した。
論文 参考訳(メタデータ) (2021-02-28T20:15:23Z) - Interpretable discovery of new semiconductors with machine learning [10.09604500193621]
DARWIN(Deep Adaptive Regressive Weighted Intelligent Network)という実験バンドギャップに対してベンチマークされたハイブリッド機能的DFTデータに基づいて訓練されたマシンラーニングサロゲートモデルを用いた進化的アルゴリズムによる探索を報告する。
この戦略は、対象特性を持つ候補に対して、10$8$3aryと10$11$4ternaries$7$の材料空間の効率的な探索を可能にする。
論文 参考訳(メタデータ) (2021-01-12T10:23:16Z) - Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。
MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。
本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
論文 参考訳(メタデータ) (2020-02-17T19:06:05Z)
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。