論文の概要: Self-Optimizing Machine Learning Potential Assisted Automated Workflow for Highly Efficient Complex Systems Material Design

• arxiv url: http://arxiv.org/abs/2505.08159v3
• Date: Fri, 12 Sep 2025 01:19:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 12:05:48.607863
• Title: Self-Optimizing Machine Learning Potential Assisted Automated Workflow for Highly Efficient Complex Systems Material Design
• Title（参考訳）: 高能率複合材料設計のための自動ワークフロー支援機械学習の可能性
• Authors: Jiaxiang Li, Junwei Feng, Jie Luo, Bowen Jiang, Xiangyu Zheng, Qigang Song, Jian Lv, Keith Butler, Hanyu Liu, Congwei Xie, Yu Xie, Yanming Ma,
• Abstract要約: 本稿では,注目結合型ニューラルネットワークのポテンシャルに基づく結晶構造の自動予測フレームワークを提案する。 ポテンシャルの一般化性は、ポテンシャルエネルギー表面の局所最小値の領域をサンプリングすることによって達成される。 このワークフローは、Mg-Ca-H三元系とBe-P-N-O四元系で1000万近い構成を探索することによって検証される。
• 参考スコア（独自算出の注目度）: 12.596168538414512
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine learning interatomic potentials have revolutionized complex materials design by enabling rapid exploration of material configurational spaces via crystal structure prediction with ab initio accuracy. However, critical challenges persist in ensuring robust generalization to unknown structures and minimizing the requirement for substantial expert knowledge and time-consuming manual interventions. Here, we propose an automated crystal structure prediction framework built upon the attention-coupled neural networks potential to address these limitations. The generalizability of the potential is achieved by sampling regions across the local minima of the potential energy surface, where the self-evolving pipeline autonomously refines the potential iteratively while minimizing human intervention. The workflow is validated on Mg-Ca-H ternary and Be-P-N-O quaternary systems by exploring nearly 10 million configurations, demonstrating substantial speedup compared to first-principles calculations. These results underscore the effectiveness of our approach in accelerating the exploration and discovery of complex multi-component functional materials.
• Abstract（参考訳）: 機械学習の原子間ポテンシャルは、ab初期精度で結晶構造予測を通じて材料構成空間の迅速な探索を可能にすることで、複雑な材料設計に革命をもたらした。 しかし、重要な課題は、未知の構造への堅牢な一般化を確保し、相当な専門知識と時間を要する手作業の介入の必要性を最小限に抑えることである。 本稿では,これらの制約に対処するために,注目結合型ニューラルネットワークを用いた結晶構造自動予測フレームワークを提案する。 ポテンシャルの一般化は、ポテンシャル表面の局所的な最小値の領域をサンプリングすることで達成され、そこでは自己進化パイプラインが人間の介入を最小限にしながら、電位を自律的に改善する。 このワークフローは、Mg-Ca-H三元系とBe-P-N-O四元系で1000万近い構成を探索することで検証され、第一原理計算と比較して大幅に高速化された。 これらの結果は, 複雑な多成分機能性材料の探索と発見を加速する手法の有効性を裏付けるものである。

関連論文リスト

• PeroMAS: A Multi-agent System of Perovskite Material Discovery [51.859972927223936]
  ペロブスカイト太陽電池(PSC)は優れた光電子性能とコストポテンシャルで有名である。 既存のAIアプローチは主に、マテリアルデザイン、プロセス最適化、プロパティ予測など、独立したモデルに焦点を当てている。 ペロブスカイト材料発見のためのマルチエージェントシステムPeroMASを提案する。
  論文  参考訳（メタデータ） (2026-02-10T09:33:06Z)
• QUASAR: A Universal Autonomous System for Atomistic Simulation and a Benchmark of Its Capabilities [0.7519872646378835]
  QUASARは、生産段階の科学的発見を促進するために設計された原子論シミュレーションのための普遍的な自律システムである。 我々は,光触媒スクリーニングや新規材料評価など,日常的な課題からフロンティア研究の課題まで,一連の3段階の課題に対してquariSARをベンチマークした。 その結果,quiSARはタスク固有の自動化フレームワークではなく,一般的な原子論的推論システムとして機能することが示唆された。
  論文  参考訳（メタデータ） (2026-01-30T05:29:44Z)
• An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
  大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。 近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。 本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
  論文  参考訳（メタデータ） (2025-12-22T15:03:57Z)
• Data Driven Insights into Composition Property Relationships in FCC High Entropy Alloys [28.495739557732175]
  構造的高エントロピー合金(HEA)は、様々な分野にわたる技術の進歩に不可欠である。 統合化学、プロセス、構造、および特性データの不足は、予測的特性モデリングに重大な課題をもたらす。 この研究は、いくつかの感度分析を示し、機械的挙動に対する重要な要素的貢献を強調している。
  論文  参考訳（メタデータ） (2025-08-06T19:41:15Z)
• Large-Scale Model Enabled Semantic Communication Based on Robust Knowledge Distillation [53.16213723669751]
  大規模モデル(LSM)は意味表現と理解に有効なフレームワークである。 しかしながら、それらの直接的なデプロイメントは、しばしば高い計算複雑性とリソース要求によって妨げられる。 本稿では,新しい知識蒸留に基づくセマンティックコミュニケーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T07:47:18Z)
• Machine-Learning-Assisted Photonic Device Development: A Multiscale Approach from Theory to Characterization [80.82828320306464]
  フォトニックデバイス開発(PDD)は、様々な波長、スケール、アプリケーションにまたがる光を制御する新しいデバイスの設計と実装において大きな成功を収めた。 PDDは、設計パラメータからデバイス動作を導出する、デバイス性能をシミュレーションする、最適なデバイスを製造する、デバイス性能を測定する、という5段階の反復的プロセスである。 PDDは、大規模な最適化の展望、構造的または光学的特徴の不確実性、堅牢な製造プロセスの実装の困難に悩まされている。 本稿では,機械学習支援型PDDの実現に向けて,これらの手法の総合的な展望を示す。
  論文  参考訳（メタデータ） (2025-06-24T23:32:54Z)
• Computational, Data-Driven, and Physics-Informed Machine Learning Approaches for Microstructure Modeling in Metal Additive Manufacturing [0.0]
  金属添加物の製造は、前例のない設計の自由と、カスタマイズされた複雑な部品の製造を可能にする。 金属AMプロセスに固有の急激な融解と凝固のダイナミクスは、不均一で非平衡な微細構造を生成する。 空間的・時間的スケールにわたる微細構造とその進化を予測することは、プロセス最適化と欠陥軽減の重要な課題である。
  論文  参考訳（メタデータ） (2025-05-02T17:59:54Z)
• Explorative Curriculum Learning for Strongly Correlated Electron Systems [5.443662050302865]
  ニューラルネットワーク量子状態(NQS)の最近の進歩により、複雑な量子多体系に対する高精度な予測が可能になった。 NQSのための転写学習に基づく新しいカリキュラム学習フレームワークを提案する。 計算における約200倍の高速化と,従来の手法に比べて最適化安定性が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2025-05-01T00:46:52Z)
• AI-Enhanced Automatic Design of Efficient Underwater Gliders [60.45821679800442]
  自動設計フレームワークの構築は、グライダー形状を表現する複雑さと、複雑な固体-流体相互作用をモデル化する際の計算コストが高いため、困難である。 非自明な船体形状の水中ロボットを作れるようにすることで、これらの制限を克服するAI強化型自動計算フレームワークを導入する。 提案手法は, 形状と制御信号の両面を協調的に最適化するアルゴリズムで, 低次幾何表現と微分可能なニューラルネット型流体代理モデルを用いる。
  論文  参考訳（メタデータ） (2025-04-30T23:55:44Z)
• An LLM-enabled Multi-Agent Autonomous Mechatronics Design Framework [49.633199780510864]
  本研究は, 機械設計, 最適化, エレクトロニクス, ソフトウェア工学の専門知識を統合した多エージェント自律メカトロニクス設計フレームワークを提案する。 このフレームワークは、言語駆動のワークフローを通じて運用され、構造化された人間のフィードバックを組み込んで、現実世界の制約下での堅牢なパフォーマンスを保証する。 完全に機能する自律型容器は、最適化された推進、コスト効率の高い電子機器、高度な制御を備えていた。
  論文  参考訳（メタデータ） (2025-04-20T16:57:45Z)
• Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
  有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。 バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
  論文  参考訳（メタデータ） (2025-04-08T14:28:54Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Rapid and Automated Alloy Design with Graph Neural Network-Powered LLM-Driven Multi-Agent Systems [0.0]
  マルチエージェントAIモデルは、新しい金属合金の発見を自動化するために使用される。 MLをベースとした原子間ポテンシャルをモデルとした立方晶(bcc)合金のNbMoTa族に着目した。 LLMをベースとしたエージェントの動的協調により、GNNの予測力を相乗化することにより、システムは巨大な合金設計空間を自律的にナビゲートする。
  論文  参考訳（メタデータ） (2024-10-17T17:06:26Z)
• A Transformer Based Generative Chemical Language AI Model for Structural Elucidation of Organic Compounds [1.5628118690186594]
  本稿では,概念変換器を用いた生成化学言語人工知能(AI)モデルを提案する。 我々のモデルはエンコーダ・デコーダアーキテクチャと自己保持機構を用いて、最も可能性の高い化学構造を直接生成する。 現代のCPUでは、29個の原子を持つ分子をわずか数秒で構造解明し、83%の精度でトップ15を達成している。
  論文  参考訳（メタデータ） (2024-10-13T15:41:20Z)
• Bayesian optimization of atomic structures with prior probabilities from universal interatomic potentials [0.0]
  原子構造の最適化は、望ましい特性を持つ材料を理解し設計する上で重要な役割を果たす。 機械学習駆動サロゲートモデルの最近の進歩は、この計算負担を軽減するための有望な道を提供する。 本稿では,汎用機械学習の強みをベイズ的アプローチと組み合わせた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-28T07:26:30Z)
• Self-Supervised Learning with Generative Adversarial Networks for Electron Microscopy [0.0]
  本稿では,自己教師付き事前学習が,下流タスクの高精度な微調整をいかに促進するかを示す。 我々は、電子顕微鏡の文脈において、下流の様々なタスクにまたがる自己教師型事前学習の汎用性を実証する。
  論文  参考訳（メタデータ） (2024-02-28T12:25:01Z)
• Exploration of superconducting multi-mode cavity architectures for quantum computing [44.99833362998488]
  トランスモン回路に結合した超伝導無線周波数(SRF)キャビティは、高コヒーレンスな量子情報プロセッサを構築する上で有望なプラットフォームであることが証明されている。 本稿では,多セルSRF空洞の設計最適化プロセスについて述べる。
  論文  参考訳（メタデータ） (2023-08-22T19:02:23Z)
• Computational Discovery of Microstructured Composites with Optimal Stiffness-Toughness Trade-Offs [39.393383789980895]
  硬さと硬さの対立は、工学材料設計における根本的な問題である。 物理実験,数値シミュレーション,人工ニューラルネットワークを統合した一般化可能なパイプラインを導入し,両課題に対処する。 本手法は, 固体力学以外の様々な研究領域において, 計算設計の青写真を提供する。
  論文  参考訳（メタデータ） (2023-02-01T00:50:16Z)
• LS-DYNA Machine Learning-based Multiscale Method for Nonlinear Modeling of Short Fiber-Reinforced Composites [7.891561501854125]
  短繊維強化複合材料(英: short-fiber-reinforceed Composites、SFRC)は、自動車やエレクトロニクス産業における軽量構造応用のための高性能な工学材料である。 本研究では, 射出成形による微細構造, 材料均質化, 深層材料ネットワーク(DMN)を統合し, SFRCの構造解析を行う機械学習によるマルチスケール手法を提案する。
  論文  参考訳（メタデータ） (2023-01-06T22:33:19Z)
• Data-driven multi-scale modeling and robust optimization of composite structure with uncertainty quantification [0.42581756453559755]
  この章では、先進的なデータ駆動手法を示し、先進的な複合材料をマルチスケールでモデリングするために開発・追加する能力について概説する。 代理モデル/エミュレータによって駆動される有限要素法(FEM)シミュレーションに基づく複合構造物のマルチスケールモデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-13T16:40:11Z)
• PARC: Physics-Aware Recurrent Convolutional Neural Networks to Assimilate Meso-scale Reactive Mechanics of Energetic Materials [0.0]
  衝撃開始エネルギー材料(EM)のメソスケール熱力学を学習する深層学習アルゴリズムであるPARCニューラルネットワークについて述べる。 PARCにおける人工ニューロンの可視化は、EM熱力学の重要な側面に光を当てることと、EMを概念化する追加レンズを提供することを実証する。
  論文  参考訳（メタデータ） (2022-04-04T14:29:35Z)
• Nuclear two point correlation functions on a quantum-computer [105.89228861548395]
  我々は、現在の量子ハードウェアとエラー軽減プロトコルを使用して、高度に単純化された核モデルに対する応答関数を計算する。 この研究では、現在の量子ハードウェアとエラー軽減プロトコルを用いて、4つの格子上に3つの区別可能な核子を持つ2次元のフェルミ・ハバードモデルに対する応答関数を計算する。
  論文  参考訳（メタデータ） (2021-11-04T16:25:33Z)
• Towards High Performance Relativistic Electronic Structure Modelling: The EXP-T Program Package [68.8204255655161]
  並列計算機用に設計されたFS-RCC方式の新たな実装を提案する。 実装のパフォーマンスとスケーリングの特徴を分析した。 開発されたソフトウェアは、重い超重核を含む原子や分子の性質を予測するための全く新しいレベルの精度を達成することができる。
  論文  参考訳（メタデータ） (2020-04-07T20:08:30Z)
• Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
  マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。 MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。 本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
  論文  参考訳（メタデータ） (2020-02-17T19:06:05Z)

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。