論文の概要: Learning simple heuristic rules for classifying materials based on chemical composition

• arxiv url: http://arxiv.org/abs/2505.02361v1
• Date: Mon, 05 May 2025 04:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.559601
• Title: Learning simple heuristic rules for classifying materials based on chemical composition
• Title（参考訳）: 化学組成に基づく材料分類のための単純ヒューリスティック規則の学習
• Authors: Andrew Ma, Marin Soljačić,
• Abstract要約: 本研究では, 材料が金属であるか否かを化学組成に基づいて分類するための簡単なルールを開発するために, 機械学習の利用について検討する。 化学インフォームドインダクティブバイアスを組み込むことで、所定のレベルのテスト精度に達するのに必要なトレーニングデータの量を削減できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the past decade, there has been a significant interest in the use of machine learning approaches in materials science research. Conventional deep learning approaches that rely on complex, nonlinear models have become increasingly important in computational materials science due to their high predictive accuracy. In contrast to these approaches, we have shown in a recent work that a remarkably simple learned heuristic rule -- based on the concept of topogivity -- can classify whether a material is topological using only its chemical composition. In this paper, we go beyond the topology classification scenario by also studying the use of machine learning to develop simple heuristic rules for classifying whether a material is a metal based on chemical composition. Moreover, we present a framework for incorporating chemistry-informed inductive bias based on the structure of the periodic table. For both the topology classification and the metallicity classification tasks, we empirically characterize the performance of simple heuristic rules fit with and without chemistry-informed inductive bias across a wide range of training set sizes. We find evidence that incorporating chemistry-informed inductive bias can reduce the amount of training data required to reach a given level of test accuracy.
• Abstract（参考訳）: 過去10年間で、材料科学研究における機械学習アプローチの利用に大きな関心が寄せられている。 複雑な非線形モデルに依存する従来のディープラーニングアプローチは、高い予測精度のため、計算材料科学においてますます重要になっている。 これらのアプローチとは対照的に、我々は最近の研究で、非常に単純な学習されたヒューリスティックな規則(位相性の概念に基づく)が、物質がその化学組成のみを用いて位相的かどうかを分類できることを示してきた。 本稿では, 材料が金属であるか否かを化学組成に基づいて分類するための単純なヒューリスティックルールを開発するために, 機械学習を用いたトポロジ分類のシナリオを越えて検討する。 さらに,周期表の構造に基づく化学インフォームドインダクティブバイアスを組み込むための枠組みを提案する。 トポロジー分類とメタロティ分類の両タスクにおいて, 化学インフォームドインダクティブバイアスを伴わない単純なヒューリスティック規則の性能を, 幅広いトレーニングセットサイズで実験的に評価した。 化学インフォームドインダクティブバイアスを組み込むことで、所定のレベルのテスト精度に達するのに必要なトレーニングデータの量を削減できることを示す。

関連論文リスト

• 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)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• Revealing the Relationship Between Publication Bias and Chemical Reactivity with Contrastive Learning [13.299207805882755]
  CAS Content Collection$textTM$で20,798 aryl halidesをトレーニングし,2010年から2015年にかけて数千の出版物を対象とした。 この研究は、新しい方法でデータ文学から学ぶための化学固有の機械学習訓練戦略を示すだけでなく、出版物における基質選択の傾向に反映される化学反応性の傾向を明らかにするためのユニークなアプローチを示す。
  論文  参考訳（メタデータ） (2024-02-19T02:21:20Z)
• Position Paper on Materials Design -- A Modern Approach [1.6668914921312827]
  機械学習が新しい材料や集合体の設計プロセスをどのように高速化するかを示す。 MLアプローチは、定義された条件に基づいて、材料の可能な形態を合成することができる。 このアプローチは、新しい材料の設計プロセスを加速し、現実的な材料行動の予測と解釈を可能にする。
  論文  参考訳（メタデータ） (2023-12-18T07:46:30Z)
• Interpretable Ensemble Learning for Materials Property Prediction with Classical Interatomic Potentials: Carbon as an Example [3.848961327213375]
  機械学習(ML)は結晶材料の探索や特性の予測に広く用いられている。 回帰木からなるアンサンブル学習に基づく手法を提案し, 生成エネルギーと弾性定数を予測する。 記述子を使用しなければ、入力は9つの古典的原子間ポテンシャルを持つ分子動力学によって計算される特性である。
  論文  参考訳（メタデータ） (2023-07-24T19:10:13Z)
• 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)
• Topogivity: A Machine-Learned Chemical Rule for Discovering Topological Materials [7.86558262769362]
  トポロジカルな材料は、基礎科学と次世代の技術応用の両方に魅力を与える非伝統的な電子特性を示す。 ここでは、機械学習を用いて、物質がその化学式のみを用いてトポロジカルであるかどうかを高精度に診断する簡単な化学規則を開発する。
  論文  参考訳（メタデータ） (2022-02-10T18:57:17Z)
• Machine learning with persistent homology and chemical word embeddings improves prediction accuracy and interpretability in metal-organic frameworks [0.07874708385247352]
  材料の構造と化学の複雑な表現をキャプチャする記述子を自動的に生成するエンド・ツー・エンドの機械学習モデルを提案する。 物質系から直接、幾何学的および化学的情報をカプセル化する。 提案手法は, 対象物間での精度, 転送可能性の両面において, 一般的に用いられている手作業による特徴量から構築したモデルに比べ, かなり改善されている。
  論文  参考訳（メタデータ） (2020-10-01T16:31:46Z)
• Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
  コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。 本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-06T05:36:57Z)

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。