論文の概要: Sparse mixed linear modeling with anchor-based guidance for high-entropy alloy discovery

• arxiv url: http://arxiv.org/abs/2504.20354v1
• Date: Tue, 29 Apr 2025 01:44:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.716091
• Title: Sparse mixed linear modeling with anchor-based guidance for high-entropy alloy discovery
• Title（参考訳）: 高エントロピー合金発見のためのアンカーベース誘導を用いたスパース混合線形モデリング
• Authors: Ryo Murakami, Seiji Miura, Akihiro Endo, Satoshi Minamoto,
• Abstract要約: 本研究では,実験データ取得に固有の欲求探索行動から生じる局所データ構造に着目した。 予測と特徴選択を同時に行うアルゴリズムを開発した。 高エントロピー合金のケーススタディを通じて,アンカー誘導クラスタリングとスパース線形モデリングを組み合わせた手法を提案する。
• 参考スコア（独自算出の注目度）: 0.12499537119440242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-entropy alloys have attracted attention for their exceptional mechanical properties and thermal stability. However, the combinatorial explosion in the number of possible elemental compositions renders traditional trial-and-error experimental approaches highly inefficient for materials discovery. To solve this problem, machine learning techniques have been increasingly employed for property prediction and high-throughput screening. Nevertheless, highly accurate nonlinear models often suffer from a lack of interpretability, which is a major limitation. In this study, we focus on local data structures that emerge from the greedy search behavior inherent to experimental data acquisition. By introducing a linear and low-dimensional mixture regression model, we strike a balance between predictive performance and model interpretability. In addition, we develop an algorithm that simultaneously performs prediction and feature selection by considering multiple candidate descriptors. Through a case study on high-entropy alloys, this study introduces a method that combines anchor-guided clustering and sparse linear modeling to address biased data structures arising from greedy exploration in materials science.
• Abstract（参考訳）: 高エントロピー合金はその異常な機械的特性と熱安定性に注目されている。 しかし、元素組成の可能な数の組合せ爆発は、従来の試行錯誤実験のアプローチを材料発見にとって非常に非効率なものにしている。 この問題を解決するために、プロパティ予測や高スループットスクリーニングに機械学習技術がますます採用されている。 しかし、非常に正確な非線形モデルはしばしば解釈可能性の欠如に悩まされ、これは大きな限界である。 本研究では,実験データ取得に固有の欲求探索行動から生じる局所データ構造に着目した。 線形および低次元混合回帰モデルを導入することにより、予測性能とモデル解釈可能性のバランスをとる。 さらに,複数の候補記述子を考慮した予測と特徴選択を同時に行うアルゴリズムを開発した。 高エントロピー合金のケーススタディを通じて, 材料科学におけるグリーディ探査による偏りのあるデータ構造に対応するために, アンカー誘導クラスタリングと疎線形モデリングを組み合わせた手法を提案する。

関連論文リスト

• Symmetry-Informed Graph Neural Networks for Carbon Dioxide Isotherm and Adsorption Prediction in Aluminum-Substituted Zeolites [3.6443770850509423]
  物質対称性を利用して吸着特性予測を改善するグラフニューラルネットワークアーキテクチャであるSymGNNを導入する。 メッセージパッシング機構に対称性演算を組み込むことで、異なるトポロジ間のパラメータ共有が促進され、一般化が向上する。
  論文  参考訳（メタデータ） (2025-03-26T17:08:28Z)
• 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)
• Extrapolative ML Models for Copolymers [1.901715290314837]
  機械学習モデルは、材料特性の予測に徐々に使われてきた。 これらのモデルは本質的に補間的であり、物質の既知の特性範囲外の候補を探索するための有効性は未解決である。 本稿では,MLモデルの外挿能力,トレーニングデータセットのサイズと範囲,学習アプローチとの関係について検討する。
  論文  参考訳（メタデータ） (2024-09-15T11:02:01Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Predicting and Enhancing the Fairness of DNNs with the Curvature of Perceptual Manifolds [44.79535333220044]
  近年の研究では、テールクラスは必ずしも学習が困難ではないことが示されており、サンプルバランスのデータセットではモデルバイアスが観察されている。 本研究ではまず,モデルフェアネスを解析するための幾何学的視点を確立し,次いで,一連の幾何学的測度を体系的に提案する。
  論文  参考訳（メタデータ） (2023-03-22T04:49:23Z)
• Prediction Sets for High-Dimensional Mixture of Experts Models [9.195729979000404]
  高次元設定におけるエキスパートモデルの$ell_$-penalizedmixに対して有効な予測セットを構築する方法を示す。 本稿では, 罰則による偏見を考慮に入れた脱バイアス法を応用し, 間隔を組み合わさって予測セットを形成する新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-30T00:27:19Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Learning Deep Implicit Fourier Neural Operators (IFNOs) with Applications to Heterogeneous Material Modeling [3.9181541460605116]
  本稿では,従来のモデルを用いることなく,データ駆動モデルを用いて素材の応答を予測することを提案する。 材料応答は、負荷条件と結果の変位および/または損傷場の暗黙のマッピングを学習することによってモデル化される。 本稿では,超弾性材料,異方性材料,脆性材料など,いくつかの例について提案手法の性能を実証する。
  論文  参考訳（メタデータ） (2022-03-15T19:08:13Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Learning Mixtures of Low-Rank Models [89.39877968115833]
  低ランクモデルの計算混合を学習する問題について検討する。 ほぼ最適サンプルを用いて未知の行列を復元することが保証されるアルゴリズムを開発する。 さらに,提案アルゴリズムはランダムノイズに対して確実に安定である。
  論文  参考訳（メタデータ） (2020-09-23T17:53:48Z)
• Chemical Property Prediction Under Experimental Biases [26.407895054724452]
  本研究は,実験データセットにおけるバイアス軽減に焦点を当てた。 我々は因果推論とグラフニューラルネットワークを組み合わせた2つの手法を用いて分子構造を表現した。 4つのバイアスシナリオによる実験結果から,逆確率スコアリング法と反実回帰法が確固たる改善をもたらしたことが示唆された。
  論文  参考訳（メタデータ） (2020-09-18T08:40:57Z)

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。