論文の概要: Transfer learning from first-principles calculations to experiments with chemistry-informed domain transformation
- arxiv url: http://arxiv.org/abs/2504.02848v2
- Date: Mon, 07 Apr 2025 07:29:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-08 14:05:28.429288
- Title: Transfer learning from first-principles calculations to experiments with chemistry-informed domain transformation
- Title（参考訳）: 第一原理計算から化学インフォームドドメイン変換の実験への転移学習
- Authors: Yuta Yahagi, Kiichi Obuchi, Fumihiko Kosaka, Kota Matsui,
- Abstract要約: 本稿では,第一原理計算から化学インフォームド・ドメイン・トランスフォーメーションに基づく実験への効率的な変換学習手法を提案する。
概念実証として, 実験データに加え, 豊富な第一原理データを用いて逆水-ガスシフト反応の触媒活性を予測した。
100以上のターゲットデータでトレーニングされたフルスクラッチモデルよりも精度が1桁小さいドメイン変換において、少数の(10未満)ターゲットデータを使用したにもかかわらず、非常に高い精度が達成された。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Simulation-to-Real (Sim2Real) transfer learning, the machine learning technique that efficiently solves a real-world task by leveraging knowledge from computational data, has received increasing attention in materials science as a promising solution to the scarcity of experimental data. We proposed an efficient transfer learning scheme from first-principles calculations to experiments based on the chemistry-informed domain transformation, that integrates the heterogeneous source and target domains by harnessing the underlying physics and chemistry. The proposed method maps the computational data from the simulation space (source domain) into the space of experimental data (target domain). During this process, these qualitatively different domains are efficiently integrated by a couple of prior knowledge of chemistry, (1) the statistical ensemble, and (2) the relationship between source and target quantities. As a proof-of-concept, we predict the catalyst activity for the reverse water-gas shift reaction by using the abundant first-principles data in addition to the experimental data. Through the demonstration, we confirmed that the transfer learning model exhibits positive transfer in accuracy and data efficiency. In particular, a significantly high accuracy was achieved despite using a few (less than ten) target data in domain transformation, whose accuracy is one order of magnitude smaller than that of a full scratch model trained with over 100 target data. This result indicates that the proposed method leverages the high prediction performance with few target data, which helps to save the number of trials in real laboratories.
- Abstract（参考訳）: シミュレーション・トゥ・リアル(Sim-to-Real)トランスファーラーニング(Sim2Real)は、計算機データからの知識を活用して現実のタスクを効率的に解く機械学習技術であり、実験データの不足に対する有望な解決策として材料科学に注目が集まっている。
そこで我々は, 物理・化学の基盤となる物理・物理の応用により, 不均一な情報源と対象ドメインを統合する, 化学インフォームド・ドメイン変換に基づく実験へ, 第一原理計算から効率的な伝達学習手法を提案する。
提案手法は,シミュレーション空間(ソース領域)から実験データ(ターゲット領域)に計算データをマッピングする。
この過程で、これらの定性的に異なるドメインは、(1)統計アンサンブル、(2)ソースとターゲットの量の関係という2つの先行知識によって効率的に統合される。
概念実証として, 実験データに加え, 豊富な第一原理データを用いて逆水-ガスシフト反応の触媒活性を予測した。
実験により,転送学習モデルが正の転送精度とデータ効率を示すことを確認した。
特に、100以上のターゲットデータでトレーニングされたフルスクラッチモデルよりも精度が1桁小さいドメイン変換において、少数の(10未満)ターゲットデータを使用するにもかかわらず、非常に高い精度が達成された。
この結果から,本手法はターゲットデータが少なく,高い予測性能を生かし,実際の実験室での試行回数の削減に有効であることが示された。
関連論文リスト
- Scaling Law of Sim2Real Transfer Learning in Expanding Computational Materials Databases for Real-World Predictions [13.20562263181952]
計算データベース上で事前訓練された予測器を実システムに微調整すると、優れた一般化能力を持つモデルが得られる。
本研究では,物質科学における複数の機械学習タスクに対するシミュレーション・トゥ・リアル(Sim2Real)変換学習のスケーリング則を実証する。
論文 参考訳（メタデータ） (2024-08-07T18:47:58Z) - Transformer-Powered Surrogates Close the ICF Simulation-Experiment Gap with Extremely Limited Data [24.24053233941972]
本稿では,マルチモーダル出力シナリオにおける予測精度向上のためのトランスフォーマーを用いた新しい手法を提案する。
提案手法はトランスフォーマーアーキテクチャと新しいグラフベースのハイパーパラメータ最適化手法を統合する。
実世界のデータ10枚しか入手できない慣性閉じ込め核融合実験へのアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2023-12-06T17:53:06Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Optimal transfer protocol by incremental layer defrosting [66.76153955485584]
トランスファーラーニングは、限られた量のデータでモデルトレーニングを可能にする強力なツールである。
最も単純な転送学習プロトコルは、データリッチなソースタスクで事前訓練されたネットワークの機能抽出層を凍結する。
このプロトコルは、しばしば準最適であり、事前学習されたネットワークの小さな部分を凍結したままにしておくと、最大の性能向上が達成される可能性がある。
論文 参考訳（メタデータ） (2023-03-02T17:32:11Z) - ChemVise: Maximizing Out-of-Distribution Chemical Detection with the
Novel Application of Zero-Shot Learning [60.02503434201552]
本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。
合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
論文 参考訳（メタデータ） (2023-02-09T20:19:57Z) - An Exploration of Data Efficiency in Intra-Dataset Task Transfer for
Dialog Understanding [65.75873687351553]
本研究は,対話領域における逐次移動学習における目標タスク訓練データ量の影響について検討する。
非意図的に、我々のデータでは、タスクトレーニングデータのサイズを目標とする場合、シーケンシャルトランスファーラーニングがトランスファーラーニングなしで同じモデルと比較した場合、最小限の効果が示される。
論文 参考訳（メタデータ） (2022-10-21T04:36:46Z) - Learning Similarity Metrics for Volumetric Simulations with Multiscale
CNNs [25.253880881581956]
本研究では,エントロピーに基づく類似性モデルを提案する。
我々は数値PDEソルバと既存のシミュレーションデータリポジトリからフィールドのコレクションを作成する。
ボリューム類似度メトリック(VolSiM)を演算するマルチスケールCNNアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-02-08T19:19:08Z) - Cognitive simulation models for inertial confinement fusion: Combining
simulation and experimental data [0.0]
研究者は、高性能な爆発を求めて設計空間を探索するためにコンピュータシミュレーションに大きく依存しています。
より効果的な設計と調査のために、シミュレーションは過去の実験データからの入力を必要とする。
本稿では,シミュレーションと実験データを共通の予測モデルに組み合わせた認知シミュレーション手法について述べる。
論文 参考訳（メタデータ） (2021-03-19T02:00:14Z) - Knowledge transfer across cell lines using Hybrid Gaussian Process
models with entity embedding vectors [62.997667081978825]
生物化学的プロセスを開発するために、多数の実験が実施されている。
既に開発されたプロセスのデータを利用して、新しいプロセスの予測を行い、必要な実験の数を大幅に削減できるだろうか。
論文 参考訳（メタデータ） (2020-11-27T17:38:15Z) - Effectiveness of Arbitrary Transfer Sets for Data-free Knowledge
Distillation [28.874162427052905]
本研究では, ランダムノイズ, 公開合成, 自然データセットなどの「任意移動集合」の有効性について検討する。
このデータセットが「ターゲットクラスのバランス」である場合、任意のデータを用いて知識蒸留を行うことによる驚くべき効果を見出す。
論文 参考訳（メタデータ） (2020-11-18T06:33:20Z) - Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。
本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。
実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
論文 参考訳（メタデータ） (2020-07-31T17:25:12Z)
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。