論文の概要: Synergistic Fusion of Multi-Source Knowledge via Evidence Theory for High-Entropy Alloy Discovery
- arxiv url: http://arxiv.org/abs/2502.14631v1
- Date: Thu, 20 Feb 2025 15:10:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-21 17:44:16.495054
- Title: Synergistic Fusion of Multi-Source Knowledge via Evidence Theory for High-Entropy Alloy Discovery
- Title(参考訳): 高エントロピー合金発見のためのエビデンス理論によるマルチソース知識の相乗的融合
- Authors: Minh-Quyet Ha, Dinh-Khiet Le, Duc-Anh Dao, Tien-Sinh Vu, Duong-Nguyen Nguyen, Viet-Cuong Nguyen, Hiori Kino, Van-Nam Huynh, Hieu-Chi Dam,
- Abstract要約: 本稿では,計算資料データセットから抽出した知識と,大規模言語モデル(LLM)を用いた科学文献から抽出したドメイン知識を組み合わせたフレームワークを提案する。
このアプローチの中心的な特徴は元素置換性を明確に考慮することであり、化学的に類似した元素を同定し、望ましいHEAを安定にするために交換することができる。
本フレームワークは, 候補HEA組成の相安定性を予測し, いずれの合金系においても系統的に評価する。
- 参考スコア(独自算出の注目度): 0.24669069937937935
- License:
- Abstract: Discovering novel high-entropy alloys (HEAs) with desirable properties is challenging due to the vast compositional space and complex phase formation mechanisms. Efficient exploration of this space requires a strategic approach that integrates heterogeneous knowledge sources. Here, we propose a framework that systematically combines knowledge extracted from computational material datasets with domain knowledge distilled from scientific literature using large language models (LLMs). A central feature of this approach is the explicit consideration of element substitutability, identifying chemically similar elements that can be interchanged to potentially stabilize desired HEAs. Dempster-Shafer theory, a mathematical framework for reasoning under uncertainty, is employed to model and combine substitutabilities based on aggregated evidence from multiple sources. The framework predicts the phase stability of candidate HEA compositions and is systematically evaluated on both quaternary alloy systems, demonstrating superior performance compared to baseline machine learning models and methods reliant on single-source evidence in cross-validation experiments. By leveraging multi-source knowledge, the framework retains robust predictive power even when key elements are absent from the training data, underscoring its potential for knowledge transfer and extrapolation. Furthermore, the enhanced interpretability of the methodology offers insights into the fundamental factors governing HEA formation. Overall, this work provides a promising strategy for accelerating HEA discovery by integrating computational and textual knowledge sources, enabling efficient exploration of vast compositional spaces with improved generalization and interpretability.
- Abstract(参考訳): 好適な特性を有する新規な高エントロピー合金(HEAs)の発見は, 広大な組成空間と複雑な相形成機構のために困難である。
この空間の効率的な探索には、異質な知識源を統合する戦略的アプローチが必要である。
本稿では,計算資料データセットから抽出した知識を,大規模言語モデル(LLM)を用いて科学的文献から抽出したドメイン知識と体系的に結合する枠組みを提案する。
このアプローチの中心的な特徴は元素置換性を明確に考慮することであり、化学的に類似した元素を同定し、望ましいHEAを安定にするために交換することができる。
不確実性の下での推論の数学的枠組みであるデンプスター・シェーファー理論は、複数の情報源からの集合的証拠に基づいて置換性をモデル化し結合するために用いられる。
本フレームワークは, 候補HEA組成の相安定性を予測し, 両者の合金システム上で系統的に評価し, クロスバリデーション実験における単ソースエビデンスに依存したベースライン機械学習モデルや手法よりも優れた性能を示す。
マルチソース知識を活用することで、このフレームワークはトレーニングデータからキー要素が欠落している場合でも、堅牢な予測力を保持し、知識伝達と外挿の可能性を強調する。
さらに、方法論の解釈可能性の向上は、HEAの形成を規定する基本的な要因に関する洞察を提供する。
全体として、この研究は、計算とテキストの知識ソースを統合することで、HEA発見を加速するための有望な戦略を提供し、一般化と解釈性を改善した広大な構成空間の効率的な探索を可能にする。
関連論文リスト
- A Hybrid Virtual Element Method and Deep Learning Approach for Solving One-Dimensional Euler-Bernoulli Beams [0.0]
深層学習にVirtual Element Method(VEM)を統合するハイブリッドフレームワークを提案する。
主な目的は、様々な物質変位のフィールドを予測できるデータ駆動サロゲートモデルを探索することである。
ニューラルネットワークアーキテクチャを導入して、ノイズと物質固有のデータを別々に処理し、複雑なインタラクションを効果的にキャプチャする。
論文 参考訳(メタデータ) (2025-01-12T20:34:26Z) - KRAIL: A Knowledge-Driven Framework for Base Human Reliability Analysis Integrating IDHEAS and Large Language Models [2.7378790256389047]
本稿では,IDHEASとLLM(KRAIL)を統合した知識駆動型信頼性分析のための新しい2段階フレームワークを提案する。
本稿では,自然言語処理における大規模言語モデル(LLM)の成功に触発されて,知識駆動型信頼性分析のための新しい2段階フレームワークを提案する。
論文 参考訳(メタデータ) (2024-12-20T06:21:34Z) - Integrating Symbolic Neural Networks with Building Physics: A Study and Proposal [1.160352509486639]
Kolmogorov-Arnold Networks (KAN)のようなシンボリックニューラルネットワークは、事前知識とデータ駆動手法を統合する上で有望なアプローチを提供する。
本研究では, 予測モデリング, 知識発見, 連続学習に焦点をあて, 物理学構築におけるkanの適用について検討する。
論文 参考訳(メタデータ) (2024-10-20T08:30:19Z) - Accelerating the discovery of low-energy structure configurations: a computational approach that integrates first-principles calculations, Monte Carlo sampling, and Machine Learning [8.695927973994577]
我々は,モンテカルロサンプリング,第一原理DFT計算,機械学習を組み合わせた物理に基づくデータ駆動手法を開発した。
タングステン系4元系高エントロピー合金の特別な場合に対する提案手法の有効性を示す。
論文 参考訳(メタデータ) (2024-10-08T01:34:42Z) - High-Performance Few-Shot Segmentation with Foundation Models: An Empirical Study [64.06777376676513]
基礎モデルに基づく数ショットセグメンテーション(FSS)フレームワークを開発した。
具体的には、基礎モデルから暗黙的な知識を抽出し、粗い対応を構築するための簡単なアプローチを提案する。
2つの広く使われているデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2024-09-10T08:04:11Z) - FecTek: Enhancing Term Weight in Lexicon-Based Retrieval with Feature Context and Term-level Knowledge [54.61068946420894]
FEature Context と TErm レベルの知識モジュールを導入して,革新的な手法を提案する。
項重みの特徴コンテキスト表現を効果的に強化するために、FCM(Feature Context Module)が導入された。
また,用語レベルの知識を効果的に活用し,用語重みのモデル化プロセスをインテリジェントに導くための用語レベルの知識誘導モジュール(TKGM)を開発した。
論文 参考訳(メタデータ) (2024-04-18T12:58:36Z) - Effective Reinforcement Learning Based on Structural Information Principles [19.82391136775341]
本稿では, 効率的な意思決定・意思決定のための, 新規で汎用的な構造情報原則に基づくフレームワーク,すなわちSIDMを提案する。
SIDMは、様々な単一エージェントおよびマルチエージェントRLアルゴリズムに柔軟に組み込むことができ、その性能を向上させることができる。
論文 参考訳(メタデータ) (2024-04-15T13:02:00Z) - Knowledge-Enhanced Hierarchical Information Correlation Learning for
Multi-Modal Rumor Detection [82.94413676131545]
マルチモーダルなうわさ検出のための知識強化型階層型情報相関学習手法(KhiCL)を提案する。
KhiCLは異質な一様性特徴を共通特徴空間に伝達するために、クロスモーダルな関節辞書を利用する。
画像やテキストから視覚的およびテキスト的実体を抽出し、知識関連推論戦略を設計する。
論文 参考訳(メタデータ) (2023-06-28T06:08:20Z) - Sample-Efficient Reinforcement Learning in the Presence of Exogenous
Information [77.19830787312743]
実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。
本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。
内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
論文 参考訳(メタデータ) (2022-06-09T05:19:32Z) - Principled Knowledge Extrapolation with GANs [92.62635018136476]
我々は,知識外挿の新たな視点から,対実合成を研究する。
本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。
提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
論文 参考訳(メタデータ) (2022-05-21T08:39:42Z) - Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。
我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。
我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
論文 参考訳(メタデータ) (2021-10-18T17:56:02Z)
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。