論文の概要: Graph Learning Metallic Glass Discovery from Wikipedia

• arxiv url: http://arxiv.org/abs/2507.19536v1
• Date: Tue, 22 Jul 2025 08:30:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:55.563183
• Title: Graph Learning Metallic Glass Discovery from Wikipedia
• Title（参考訳）: Wikipediaによる金属ガラスのグラフ学習
• Authors: K. -C. Ouyang, S. -Y. Zhang, S. -L. Liu, J. Tian, Y. -H. Li, H. Tong, H. -Y. Bai, W. -H. Wang, Y. -C. Hu,
• Abstract要約: 材料ネットワーク表現からの高度なデータ学習を提案する。 ノード要素は言語モデルによってウィキペディアから符号化される。 さまざまな言語からのウィキペディアの埋め込みを用いて,素材設計における自然言語の能力を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthesizing new materials efficiently is highly demanded in various research fields. However, this process is usually slow and expensive, especially for metallic glasses, whose formation strongly depends on the optimal combinations of multiple elements to resist crystallization. This constraint renders only several thousands of candidates explored in the vast material space since 1960. Recently, data-driven approaches armed by advanced machine learning techniques provided alternative routes for intelligent materials design. Due to data scarcity and immature material encoding, the conventional tabular data is usually mined by statistical learning algorithms, giving limited model predictability and generalizability. Here, we propose sophisticated data learning from material network representations. The node elements are encoded from the Wikipedia by a language model. Graph neural networks with versatile architectures are designed to serve as recommendation systems to explore hidden relationships among materials. By employing Wikipedia embeddings from different languages, we assess the capability of natural languages in materials design. Our study proposes a new paradigm to harvesting new amorphous materials and beyond with artificial intelligence.
• Abstract（参考訳）: 各種研究分野において,新素材の効率的な合成が求められている。 しかし、このプロセスは通常遅くて高価であり、特に金属ガラスでは結晶化に抵抗する複数の元素の最適な組み合わせに強く依存する。 この制約は、1960年以降、広大な物質空間で探索された数千の候補にしか当てはまらない。 近年、高度な機械学習技術で武装したデータ駆動型アプローチは、知的材料設計の代替手段となった。 データ不足と未成熟な材料符号化のため、従来の表型データは統計学習アルゴリズムによってマイニングされ、モデル予測可能性と一般化可能性に制限がある。 本稿では,物質ネットワーク表現からの高度なデータ学習を提案する。 ノード要素は言語モデルによってウィキペディアから符号化される。 汎用アーキテクチャを持つグラフニューラルネットワークは、材料間の隠れた関係を探索するためのレコメンデーションシステムとして設計されている。 さまざまな言語からのウィキペディアの埋め込みを用いて,素材設計における自然言語の能力を評価する。 本研究では,新しいアモルファス材料を人工知能で収穫する新たなパラダイムを提案する。

関連論文リスト

• Constructing material network representations for intelligent amorphous alloys design [0.0]
  本研究では,二元系および三元系アモルファス合金の発見を加速する材料ネットワークを提案する。 異なる年数で合成されたアモルファス合金を精査することにより, 動的材料ネットワークを構築し, 合金発見の歴史を追究する。 過去に設計されたいくつかの革新的な材料がネットワークにコード化されており、新しい合金設計を導く上での予測力を実証している。
  論文  参考訳（メタデータ） (2025-07-22T08:19:23Z)
• Materials Generation in the Era of Artificial Intelligence: A Comprehensive Survey [54.40267149907223]
  材料は現代社会の基礎であり、エネルギー、エレクトロニクス、医療、交通、インフラの進歩を支えている。 高度に調整された特性を持つ新しい材料を発見・設計する能力は、世界的課題の解決に不可欠である。 データ駆動生成モデルは、事前定義された特性要件を満たす新しい材料を直接作成することによって、材料設計のための強力なツールを提供する。
  論文  参考訳（メタデータ） (2025-05-22T08:33:21Z)
• Knowledge-Aware Reasoning over Multimodal Semi-structured Tables [85.24395216111462]
  本研究では、現在のAIモデルがマルチモーダルな構造化データに基づいて知識を考慮した推論を行うことができるかどうかを検討する。 この目的のために設計された新しいデータセットであるMMTabQAを紹介する。 我々の実験は、複数のテキストと画像の入力を効果的に統合し解釈する上で、現在のAIモデルに対する重大な課題を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-08-25T15:17:43Z)
• EllipBench: A Large-scale Benchmark for Machine-learning based Ellipsometry Modeling [15.581358055043385]
  深層学習を容易にするための大規模ベンチマークデータセットを提案する。 提案したデータセットは、98種類の薄膜材料と4種類の基板材料を含む。 また,薄膜厚み予測における複数解の共通課題に対処するために,再構成損失を導入する。
  論文  参考訳（メタデータ） (2024-07-25T08:42:23Z)
• Agent-based Learning of Materials Datasets from Scientific Literature [0.0]
  我々は,大規模言語モデル(LLM)を利用した化学AIエージェントを開発し,自然言語テキストから構造化データセットを作成する。 化学者のAIエージェントであるEunomiaは、何十年もの科学研究論文から既存の知識を活用して、行動を計画し実行することができる。
  論文  参考訳（メタデータ） (2023-12-18T20:29:58Z)
• Reconstructing Materials Tetrahedron: Challenges in Materials Information Extraction [23.489721319567025]
  材料科学文献からの自動情報抽出における課題を論じ,定量化し,文書化する。 この情報は、表、テキスト、画像などの複数のフォーマットに分散し、レポートスタイルの統一性はほとんど、あるいは全くない。 本研究は,IEが材料知識基盤を開発する上で,その課題に一貫した形で対処する上で,研究者に刺激を与えるものであることを願っている。
  論文  参考訳（メタデータ） (2023-10-12T14:57:24Z)
• Leveraging Language Representation for Material Recommendation, Ranking, and Exploration [0.0]
  本稿では,言語モデルから派生した自然言語埋め込みを,構成的特徴と構造的特徴の表現として利用する材料発見フレームワークを提案する。 この枠組みを熱電学に適用することにより, 試作構造物の多種多様な推薦を行い, 未検討の高性能材料空間を同定する。
  論文  参考訳（メタデータ） (2023-05-01T21:58:29Z)
• What and How of Machine Learning Transparency: Building Bespoke Explainability Tools with Interoperable Algorithmic Components [77.87794937143511]
  本稿では,データ駆動予測モデルを説明するためのハンズオントレーニング教材について紹介する。 これらのリソースは、解釈可能な表現合成、データサンプリング、説明生成の3つのコアビルディングブロックをカバーする。
  論文  参考訳（メタデータ） (2022-09-08T13:33:25Z)
• Transfer Learning with Deep Tabular Models [66.67017691983182]
  上流データにより、グラフニューラルネットワークはGBDTモデルよりも決定的な優位性を示す。 そこで本研究では,表在化学習のための現実的な診断ベンチマークを提案する。 上流と下流の特徴セットが異なる場合の擬似特徴法を提案する。
  論文  参考訳（メタデータ） (2022-06-30T14:24:32Z)
• NeuMIP: Multi-Resolution Neural Materials [98.83749495351627]
  NeuMIPは、さまざまなスケールでさまざまな材料外観を表現およびレンダリングするためのニューラルメソッドです。 従来のミップマップピラミッドを、完全に接続されたネットワークと組み合わせて、神経テクスチャのピラミッドに一般化する。 テッセルレーションを伴わずに複雑なパララックス効果を持つ材料をレンダリングできる新しい手法であるニューラルオフセットも導入する。
  論文  参考訳（メタデータ） (2021-04-06T21:22:22Z)
• Synbols: Probing Learning Algorithms with Synthetic Datasets [112.45883250213272]
  Synbolsは、低解像度画像にレンダリングされた潜在機能のリッチな構成で、新しいデータセットを高速に生成するツールである。 ツールの高レベルインターフェースは、潜在機能で新しいディストリビューションを高速に生成するための言語を提供する。 Synbolsの汎用性を示すために,各種学習環境における標準学習アルゴリズムの限界と欠陥を識別するために,本手法を用いる。
  論文  参考訳（メタデータ） (2020-09-14T13:03:27Z)

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。