論文の概要: Inverse Materials Design by Large Language Model-Assisted Generative Framework

• arxiv url: http://arxiv.org/abs/2502.18127v1
• Date: Tue, 25 Feb 2025 11:52:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 17:42:46.046349
• Title: Inverse Materials Design by Large Language Model-Assisted Generative Framework
• Title（参考訳）: 大規模言語モデルを用いた逆材料設計
• Authors: Yun Hao, Che Fan, Beilin Ye, Wenhao Lu, Zhen Lu, Peilin Zhao, Zhifeng Gao, Qingyao Wu, Yanhui Liu, Tongqi Wen,
• Abstract要約: AlloyGANは、Large Language Model (LLM) を利用したテキストマイニングと条件付き生成支援ネットワーク (CGAN) を統合したフレームワークである。 金属ガラスの場合、このフレームワークは実験から8%未満の差で熱力学特性を予測する。 生成AIをドメイン知識でブリッジすることで、A AlloyGANは、カスタマイズされた特性を持つ物質の発見を加速するスケーラブルなアプローチを提供する。
• 参考スコア（独自算出の注目度）: 35.04390544440238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative models hold great promise for inverse materials design, yet their efficiency and accuracy remain constrained by data scarcity and model architecture. Here, we introduce AlloyGAN, a closed-loop framework that integrates Large Language Model (LLM)-assisted text mining with Conditional Generative Adversarial Networks (CGANs) to enhance data diversity and improve inverse design. Taking alloy discovery as a case study, AlloyGAN systematically refines material candidates through iterative screening and experimental validation. For metallic glasses, the framework predicts thermodynamic properties with discrepancies of less than 8% from experiments, demonstrating its robustness. By bridging generative AI with domain knowledge and validation workflows, AlloyGAN offers a scalable approach to accelerate the discovery of materials with tailored properties, paving the way for broader applications in materials science.
• Abstract（参考訳）: 深層生成モデルは逆材料設計を大いに約束するが、その効率と精度はデータ不足とモデルアーキテクチャによって制約される。 本稿では,Large Language Model (LLM) を利用したテキストマイニングを条件付き生成支援ネットワーク (CGAN) と統合し,データ多様性の向上と逆設計の改善を図るクローズドループフレームワークである AlloyGAN を紹介する。 合金発見をケーススタディとして、AlphaGANは反復スクリーニングと実験的検証を通じて、材料候補を体系的に洗練する。 金属ガラスの場合、このフレームワークは実験から8%未満の差がある熱力学特性を予測し、その堅牢性を示す。 AlloyGANは、生成AIをドメイン知識と検証ワークフローでブリッジすることによって、適切な特性を持つ物質の発見を加速するスケーラブルなアプローチを提供し、材料科学における幅広い応用の道を開く。

関連論文リスト

• CrystalFormer-RL: Reinforcement Fine-Tuning for Materials Design [2.290956583394892]
  自己回帰変換器を用いた材料生成モデルCrystalFormerへの強化微細調整の適用について検討する。 報酬信号の最適化により、微調整は識別モデルからの知識を生成モデルに注入する。 生成したモデルであるCrystalFormer-RLは、生成した結晶の安定性を向上し、望ましいが矛盾する材料特性を持つ結晶の発見に成功した。
  論文  参考訳（メタデータ） (2025-04-03T07:59:30Z)
• A preliminary data fusion study to assess the feasibility of Foundation Process-Property Models in Laser Powder Bed Fusion [0.0]
  基礎プロセスプロパティモデルの構築を妨げる大きな課題は、データの不足である。 レーザー粉末層融合(LPBF)における17-4 PHおよび316Lステンレス鋼(SS)から実験データセットを生成する。 次に、ガウス過程(GP)を様々な構成のプロセス固有性モデリングに利用し、ある物質系や性質に関する知識を活用できるかどうかを検証し、他の物質系や特性のためのより正確な機械学習モデルを構築する。
  論文  参考訳（メタデータ） (2025-03-20T19:29:38Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• UniGenX: Unified Generation of Sequence and Structure with Autoregressive Diffusion [61.690978792873196]
  既存のアプローチは自己回帰シーケンスモデルか拡散モデルのいずれかに依存している。 自己回帰的次トーケン予測と条件拡散モデルを組み合わせた統合フレームワークUniGenXを提案する。 材料および小分子生成タスクにおけるUniGenXの有効性を検証する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• Active Learning for Conditional Inverse Design with Crystal Generation and Foundation Atomic Models [2.8408587358426725]
  本稿では, 結晶生成モデルと基本原子モデルを組み合わせて, 逆設計の精度と効率を高めるための能動的学習フレームワークを提案する。 我々のフレームワークは、様々な結晶生成と基盤原子モデルに対応し、AI駆動材料発見のためのスケーラブルなアプローチを確立している。
  論文  参考訳（メタデータ） (2025-02-24T09:15:38Z)
• Open Materials Generation with Stochastic Interpolants [14.939468363546384]
  結晶材料の生成と発見のための統一フレームワークであるオープンマテリアルジェネレーション(OMG)を紹介する。 OMGは、任意の塩基分布を結晶のターゲット分布にブリッジするために無機補間剤(SI)を用いる。 我々は,OMGの特定の構成に対する結晶構造予測(CSP)と,安定で新規でユニークな構造を発見することを目的とした'de novo'生成(DNG)の2つのタスクについて,OMGのパフォーマンスをベンチマークした。
  論文  参考訳（メタデータ） (2025-02-04T18:56:47Z)
• AtomAgents: Alloy design and discovery through physics-aware multi-modal multi-agent artificial intelligence [0.0]
  提案されている物理対応生成AIプラットフォームAtomAgentsは、大規模言語モデル(LLM)のインテリジェンスをシナジする 以上の結果から, 合金間におけるキー特性の正確な予測が可能となり, 先進金属合金の開発を推し進めるためには, 固溶合金が重要な役割を担っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-07-13T22:46:02Z)
• Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
  PropEnは'matching'にインスパイアされている。 一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
  論文  参考訳（メタデータ） (2024-05-28T11:30:19Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• InfoRM: Mitigating Reward Hacking in RLHF via Information-Theoretic Reward Modeling [66.3072381478251]
  Reward Hacking(報酬の過度な最適化)は依然として重要な課題だ。 本稿では,報奨モデル,すなわちInfoRMのためのフレームワークを提案する。 InfoRMの過度な最適化検出機構は、有効であるだけでなく、幅広いデータセットにわたって堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-02-14T17:49:07Z)
• StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized Image-Dialogue Data [129.92449761766025]
  本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。 このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。 本研究は,各種データセットを対象とした総合的な実験を含む。
  論文  参考訳（メタデータ） (2023-08-20T12:43:52Z)
• Evaluating the diversity and utility of materials proposed by generative models [38.85523285991743]
  本稿では, 逆設計プロセスの一部として, 物理誘導結晶生成モデルという, 最先端の生成モデルを用いる方法を示す。 本研究は, 逆設計を改善するために, 生成モデルをどのように改善するかを示唆する。
  論文  参考訳（メタデータ） (2023-08-09T14:42:08Z)
• Unsupervised physics-informed disentanglement of multimodal data for high-throughput scientific discovery [4.923937591056569]
  物理インフォームドマルチモーダルオートエンコーダ(PIMA)を紹介する。 PIMAはマルチモーダルな科学データセットで共有情報を発見するための変分推論フレームワークである。 金属添加物製造からの格子状メタマテリアルのデータセットは正確なクロスモーダル推論を示す。
  論文  参考訳（メタデータ） (2022-02-07T14:47:00Z)

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。