Fugu-MT 論文翻訳(概要): AutoMAT: A Hierarchical Framework for Autonomous Alloy Discovery

論文の概要: AutoMAT: A Hierarchical Framework for Autonomous Alloy Discovery

arxiv url: http://arxiv.org/abs/2507.16005v1
Date: Mon, 21 Jul 2025 18:55:03 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-23 21:34:13.855028
Title: AutoMAT: A Hierarchical Framework for Autonomous Alloy Discovery
Title（参考訳）: AutoMAT: 自律的合金発見のための階層的なフレームワーク
Authors: Penghui Yang, Chendong Zhao, Bijun Tang, Zhonghan Zhang, Xinrun Wang, Yanchen Deng, Yuhao Lu, Cuntai Guan, Zheng Liu, Bo An,
Abstract要約: AutoMATは階層的で自律的なフレームワークであり、実験によって基礎付けられ、検証されている。大型言語モデル、CALPHADベースの自動シミュレーション、AI駆動検索を統合し、合金設計を加速する。大規模なデータセットを手作業でキュレートすることなく、高い効率、精度、解釈性を実現する。
参考スコア（独自算出の注目度）: 25.866718912999893
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Alloy discovery is central to advancing modern industry but remains hindered by the vastness of compositional design space and the costly validation. Here, we present AutoMAT, a hierarchical and autonomous framework grounded in and validated by experiments, which integrates large language models, automated CALPHAD-based simulations, and AI-driven search to accelerate alloy design. Spanning the entire pipeline from ideation to validation, AutoMAT achieves high efficiency, accuracy, and interpretability without the need for manually curated large datasets. In a case study targeting a lightweight, high-strength alloy, AutoMAT identifies a titanium alloy with 8.1% lower density and comparable yield strength relative to the state-of-the-art reference, achieving the highest specific strength among all comparisons. In a second case targeting high-yield-strength high-entropy alloys, AutoMAT achieves a 28.2% improvement in yield strength over the base alloy. In both cases, AutoMAT reduces the discovery timeline from years to weeks, illustrating its potential as a scalable and versatile platform for next-generation alloy design.
Abstract（参考訳）: 合金発見は現代産業の発展の中心であるが、構成設計空間の広大さとコストのかかる検証によって妨げられている。本稿では,大規模な言語モデル,CALPHADに基づく自動シミュレーション,AIによる合金設計の高速化などを統合した,階層的かつ自律的なフレームワークであるAutoMATを提案する。パイプライン全体をアイデアからバリデーションまで拡大することで、AutoMATは、手作業でキュレートされた大規模なデータセットを必要とせずに、高い効率、正確性、解釈性を実現する。軽量で高強度の合金をターゲットとしたケーススタディにおいて、AutoMATは8.1%低い密度と同等の降伏強度を持つチタン合金を特定し、全ての比較において最も高い比強度を達成している。高収率高エントロピー合金をターゲットにした第2のケースでは、AutoMATは基合金よりも28.2%の収率向上を実現している。どちらのケースでもAutoMATは発見スケジュールを数年から数週間に短縮し、次世代合金設計のためのスケーラブルで汎用的なプラットフォームとしての可能性を示している。

関連論文リスト

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)
Improved Training Strategies for Physics-Informed Neural Networks using Real Experimental Data in Aluminum Spot Welding [0.0]
自動車業界において, 溶接ナゲット径が重要な品質指標となるボディインホワイトの接合は, 抵抗スポット溶接が主流である。本稿では,実験データから内部のプロセス状態を再構築する物理情報ニューラルネットワークを提案する。鉄鋼からアルミニウムへの溶接段階の移動をサポートし、工業用途における高速でモデルベースの品質制御の強い可能性を示す。
論文参考訳（メタデータ） (2025-08-06T16:14:00Z)
SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving [51.47621083057114]
SOLVEは、ビジョンランゲージモデルとエンド・ツー・エンド(E2E)モデルを相乗化して自動運転車の計画を強化する革新的なフレームワークである。提案手法は,VLMとE2Eコンポーネント間の包括的インタラクションを実現するために,共有ビジュアルエンコーダによる機能レベルでの知識共有を重視している。
論文参考訳（メタデータ） (2025-05-22T15:44:30Z)
AutoPT: How Far Are We from the End2End Automated Web Penetration Testing? [54.65079443902714]
LLMによって駆動されるPSMの原理に基づく自動浸透試験エージェントであるAutoPTを紹介する。以上の結果から, AutoPT は GPT-4o ミニモデル上でのベースラインフレームワーク ReAct よりも優れていた。
論文参考訳（メタデータ） (2024-11-02T13:24:30Z)
Transforming In-Vehicle Network Intrusion Detection: VAE-based Knowledge Distillation Meets Explainable AI [0.0]
本稿では,変分オートエンコーダ(VAE)に基づく知識蒸留手法を用いて,KD-XVAEと呼ばれる高度な侵入検知システムを提案する。本モデルでは,1669個のパラメータで処理し,バッチ毎に0.3msの推論時間を実現することにより,複雑性を大幅に低減する。
論文参考訳（メタデータ） (2024-10-11T17:57:16Z)
Restore Anything Model via Efficient Degradation Adaptation [129.38475243424563]
RAMは、様々な劣化にまたがる固有の類似性を活用して、効率的で包括的な復元を可能にする統一された経路を取る。 RAMのSOTA性能はRAMのSOTA性能を確認し、トレーニング可能なパラメータで約82%、FLOPで約85%のモデルの複雑さを減少させる。
論文参考訳（メタデータ） (2024-07-18T10:26:53Z)
AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
AutoActはQAのための自動エージェント学習フレームワークである。大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
論文参考訳（メタデータ） (2024-01-10T16:57:24Z)
AutoML for Large Capacity Modeling of Meta's Ranking Systems [29.717756064694278]
本稿では,大容量モデル構築のためのサンプリングベースAutoML手法を提案する。提案手法は,優れた投資収益率(ROI)と人為的調整ベースライン(調整ベースライン)を達成可能であることを示す。提案されたAutoMLメソッドは、大規模なオンラインA/Bテストで-0.36% NEゲインを持つInstagram CTRモデルが選択され、統計的に有意な増加を示すという、現実的な影響をすでに与えている。
論文参考訳（メタデータ） (2023-11-14T03:00:50Z)
QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文参考訳（メタデータ） (2023-11-06T00:21:44Z)
End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文参考訳（メタデータ） (2023-05-25T10:58:46Z)
SuperMeshing: A New Deep Learning Architecture for Increasing the Mesh Density of Metal Forming Stress Field with Attention Mechanism and Perceptual Features [1.0660502023086995]
我々はSuperMeshingNetという新しいデータ駆動メッシュ密度向上モデルを提案する。ディープラーニングモデルへの入力としてメッシュ密度の低い有限要素解析(FEA)の利点を強化する。線形法を適用したベースラインと比較して、SuperMeshingNetはテストデータの平均二乗誤差(MSE)と平均絶対誤差(MAE)を顕著に低減する。
論文参考訳（メタデータ） (2021-03-12T06:02:30Z)
Auto-PyTorch Tabular: Multi-Fidelity MetaLearning for Efficient and Robust AutoDL [53.40030379661183]
Auto-PyTorchは、完全に自動化されたディープラーニング(AutoDL)を実現するフレームワークディープニューラルネットワーク(DNN)のウォームスタートとアンサンブルのためのマルチフィデリティ最適化とポートフォリオ構築を組み合わせる。 Auto-PyTorchは、いくつかの最先端の競合製品よりもパフォーマンスが良いことを示す。
論文参考訳（メタデータ） (2020-06-24T15:15:17Z)

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。