論文の概要: Kernel Learning Assisted Synthesis Condition Exploration for Ternary Spinel
- arxiv url: http://arxiv.org/abs/2503.19637v1
- Date: Tue, 25 Mar 2025 13:28:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:53:26.010070
- Title: Kernel Learning Assisted Synthesis Condition Exploration for Ternary Spinel
- Title(参考訳): カーネル学習支援3次スピネルの合成条件探索
- Authors: Yutong Liu, Mehrad Ansari, Robert Black, Jason Hattrick-Simpers,
- Abstract要約: 我々は,グローバルSHAP解析の新たな応用によるカーネル分類モデルを用いて,単一相合成性に最も重要な実験特徴を特定する。
グローバルSHAP分析により、単相スピネル形成への前駆体および沈殿剤の寄与は、確立された結晶成長理論と密接に一致していることが明らかとなった。
- 参考スコア(独自算出の注目度): 1.146645849310105
- License:
- Abstract: Machine learning and high-throughput experimentation have greatly accelerated the discovery of mixed metal oxide catalysts by leveraging their compositional flexibility. However, the lack of established synthesis routes for solid-state materials remains a significant challenge in inorganic chemistry. An interpretable machine learning model is therefore essential, as it provides insights into the key factors governing phase formation. Here, we focus on the formation of single-phase Fe$_2$(ZnCo)O$_4$, synthesized via a high-throughput co-precipitation method. We combined a kernel classification model with a novel application of global SHAP analysis to pinpoint the experimental features most critical to single phase synthesizability by interpreting the contributions of each feature. Global SHAP analysis reveals that precursor and precipitating agent contributions to single-phase spinel formation align closely with established crystal growth theories. These results not only underscore the importance of interpretable machine learning in refining synthesis protocols but also establish a framework for data-informed experimental design in inorganic synthesis.
- Abstract(参考訳): 機械学習と高スループット実験は、その構成柔軟性を活用して混合酸化物触媒の発見を大いに加速した。
しかし、固体材料の確立された合成経路の欠如は、無機化学において重要な課題である。
したがって、解釈可能な機械学習モデルは、相形成を規定する重要な要因についての洞察を提供するため、不可欠である。
ここでは, 単一相Fe$_2$(ZnCo)O$_4$の生成に着目し, 高出力共沈法を用いて合成する。
我々は,カーネル分類モデルとグローバルSHAP解析の新たな応用を組み合わせることで,各特徴の寄与を解釈することにより,単一相合成性に最も重要な実験特徴を特定する。
グローバルSHAP分析により、単相スピネル形成への前駆体および沈殿剤の寄与は、確立された結晶成長理論と密接に一致していることが明らかとなった。
これらの結果は、合成プロトコルの精製における解釈可能な機械学習の重要性だけでなく、無機合成におけるデータインフォームド実験設計の枠組みを確立している。
関連論文リスト
- SynCoTrain: A Dual Classifier PU-learning Framework for Synthesizability Prediction [0.0]
素材の合成可能性を予測するための半教師付き機械学習モデルであるSynCoTrainを提案する。
我々のアプローチでは、明示的な負のデータがないことに対処するために、肯定的および非ラベル付き学習(PU)を用いています。
モデルは堅牢なパフォーマンスを示し、内部および離脱テストセットで高いリコールを達成する。
論文 参考訳(メタデータ) (2024-11-18T19:53:19Z) - Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。
主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。
実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
論文 参考訳(メタデータ) (2024-11-10T16:40:27Z) - BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。
我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。
この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
論文 参考訳(メタデータ) (2024-08-19T05:17:40Z) - FSscore: A Machine Learning-based Synthetic Feasibility Score Leveraging Human Expertise [0.7045000393120925]
この研究は、機械学習を用いて相対的な合成容易性に基づいて構造をランク付けするFocused Synthesizability score(FSscore)を導入している。
FSscoreは、様々な化学応用のための合成実現可能性の評価を最適化するために、どのようにしてヒト・イン・ザ・ループ・フレームワークを利用できるかを示した。
論文 参考訳(メタデータ) (2023-12-20T03:18:56Z) - Bespoke Nanoparticle Synthesis and Chemical Knowledge Discovery Via
Autonomous Experimentations [6.544041907979552]
本稿では,光学特性を目標としたナノ粒子(NP)の設計のための自律的な実験プラットフォームについて報告する。
このプラットフォームは、AI最適化モデリングのフィードバックに基づいて、NPのバッチ合成モジュールとUV-Vis分光モジュールの間をクローズループで動作させる。
優れた材料開発効率に加えて、合成変数の解析により、Ag NP合成におけるクエン酸の効果を含む新しい化学が明らかにされる。
論文 参考訳(メタデータ) (2023-09-01T09:15:04Z) - Federated Learning of Molecular Properties in a Heterogeneous Setting [79.00211946597845]
これらの課題に対処するために、フェデレーションヘテロジニアス分子学習を導入する。
フェデレートラーニングにより、エンドユーザは、独立したクライアント上に分散されたトレーニングデータを保存しながら、グローバルモデルを協調的に構築できる。
FedChemは、化学におけるAI改善のための新しいタイプのコラボレーションを可能にする必要がある。
論文 参考訳(メタデータ) (2021-09-15T12:49:13Z) - A Scaling Law for Synthetic-to-Real Transfer: A Measure of Pre-Training [52.93808218720784]
合成から現実への変換学習は,実タスクのための合成画像と接地真実アノテーションを用いた事前学習を行うフレームワークである。
合成画像はデータの不足を克服するが、事前訓練されたモデルで微調整性能がどのようにスケールするかは定かではない。
我々は、合成事前学習データの様々なタスク、モデル、複雑さにおける学習曲線を一貫して記述する、単純で一般的なスケーリング法則を観察する。
論文 参考訳(メタデータ) (2021-08-25T02:29:28Z) - Autonomous synthesis of metastable materials [13.506040229814499]
我々はSARA(Scientific Autonomous Reasoning Agent)が管理する階層的自律実験による準安定物質の高速合成と探索を実証する。
SARAは、処理フェーズダイアグラムの構造を効率的に明らかにするAI手法の階層構造とともに、ロボット素材の合成とキャラクタリゼーションを統合する。
我々は,bi$o$_3$システムにおける合成相境界を自律的にマッピングすることにより,合成相図の確立においてその性能を実証する。
論文 参考訳(メタデータ) (2021-01-19T00:29:26Z) - RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。
我々の方法はレトロシンセシスを2段階に分解する。
最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
論文 参考訳(メタデータ) (2020-11-04T04:35:34Z) - Predictive Synthesis of Quantum Materials by Probabilistic Reinforcement
Learning [1.4680035572775534]
本研究では, 半超電導単層MoS$_2$の量子材料に対する最適合成スケジュールの予測に強化学習を用いる。
このモデルは、多相ヘテロ構造を含む複雑な構造の合成のためのプロファイルを予測するために拡張することができる。
論文 参考訳(メタデータ) (2020-09-14T20:50:45Z) - Learning To Navigate The Synthetically Accessible Chemical Space Using
Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。
このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。
本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文 参考訳(メタデータ) (2020-04-26T21:40:03Z)
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。