論文の概要: Machine learning magnetism from simple global descriptors
- arxiv url: http://arxiv.org/abs/2509.05909v1
- Date: Sun, 07 Sep 2025 03:53:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:03.772424
- Title: Machine learning magnetism from simple global descriptors
- Title（参考訳）: 単純なグローバルディスクリプタによる機械学習磁気学
- Authors: Ahmed E. Fahmy,
- Abstract要約: 実験によって検証された磁性材料に対して,簡単な構成,構造,電子記述子を限定して機械学習分類器を訓練する。
我々の伝播ベクトル分類器は92%以上の精度を達成し、ゼロと非ゼロの伝播ベクトル構造を確実に区別する最近の研究より優れている。
並行して、LightGBMとXGBoostは、Material Projectのラベルで直接訓練され、84～86%の精度を達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The reliable identification of magnetic ground states remains a major challenge in high-throughput materials databases, where density functional theory (DFT) workflows often converge to ferromagnetic (FM) solutions. Here, we partially address this challenge by developing machine learning classifiers trained on experimentally validated MAGNDATA magnetic materials leveraging a limited number of simple compositional, structural, and electronic descriptors sourced from the Materials Project database. Our propagation vector classifiers achieve accuracies above 92%, outperforming recent studies in reliably distinguishing zero from nonzero propagation vector structures, and exposing a systematic ferromagnetic bias inherent to the Materials Project database for more than 7,843 materials. In parallel, LightGBM and XGBoost models trained directly on the Materials Project labels achieve accuracies of 84-86% (with macro F1 average scores of 63-66%), which proves useful for large-scale screening for magnetic classes, if refined by MAGNDATA-trained classifiers. These results underscore the role of machine learning techniques as corrective and exploratory tools, enabling more trustworthy databases and accelerating progress toward the identification of materials with various properties.
- Abstract（参考訳）: 磁気基底状態の信頼性は、密度汎関数理論(DFT)ワークフローが強磁性(FM)解に収束する高スループット材料データベースにおいて依然として大きな課題である。
そこで本研究では,Material Projectデータベースから出力される単純な構成,構造,電子記述子を限定的に活用して,実験的に検証されたMAGNDATA磁性材料を学習した機械学習分類器を開発することにより,この問題に部分的に対処する。
我々の伝播ベクトル分類器は92%以上の精度を達成し、非ゼロ伝播ベクトル構造とゼロを確実に区別し、7,843以上の材料に対してマテリアル・プロジェクト・データベースに固有の系統的強磁性バイアスを明らかにするという最近の研究より優れていた。
平行して、LightGBM と XGBoost は、Material Project で直接訓練されたモデルで84-86%(マクロ F1 の平均スコアは63-66%)の精度を実現している。
これらの結果は、より信頼性の高いデータベースを可能にするとともに、様々な特性を持つ素材の識別に向けた進歩を加速する、正当性および探索ツールとしての機械学習技術の役割を浮き彫りにした。
関連論文リスト
- A New Workflow for Materials Discovery Bridging the Gap Between Experimental Databases and Graph Neural Networks [10.116093920635583]
無機結晶構造データベース(ICSD)を用いた実験データベースと結晶情報ファイル(CIF)のアライメントプロセスを提案する。
本手法は,材料特性予測に最先端のモデルアーキテクチャを活用可能なデータベースの構築を可能にする。
平均絶対誤差 (MAE) とCCR (Correct Classification Rate) の両方において, 磁性材料の秩序温度と磁気接地状態の予測において有意な改善が認められた。
論文 参考訳（メタデータ） (2026-01-31T14:44:02Z) - Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。
コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。
本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文 参考訳（メタデータ） (2025-10-05T12:35:01Z) - Advancing Magnetic Materials Discovery -- A structure-based machine learning approach for magnetic ordering and magnetic moment prediction [0.0]
様々な材料システム間での磁気挙動を正確に予測することは、長年にわたる課題である。
本研究では、2つの臨界磁気特性の予測を大幅に改善する改良されたディスクリプタを提案する。
このモデルは、FMクラスとFiMクラス間での磁気秩序分類とバランスの取れたリコールに対して82.4%の精度を達成する。
論文 参考訳（メタデータ） (2025-07-02T17:24:50Z) - Learning to Rank Chain-of-Thought: Using a Small Model [77.75522308463667]
本稿では、この課題に対処するために設計された高効率で軽量な検証器であるEORM(Energy Outcome Reward Model)を紹介する。
EORMはエネルギーベースのフレームワークを使用してChain-of-Thought(CoT)ソリューションをランク付けし、単純な結果ラベルだけで誤った推論と正しく区別することを学ぶ。
55Mのパラメータだけで、通常の報酬モデルより127倍以上小さいEORMは、Llama 3 8Bの精度をGSM8kで90.7%、MATHで63.7%に向上させた。
論文 参考訳（メタデータ） (2025-05-21T01:06:29Z) - DARWIN 1.5: Large Language Models as Materials Science Adapted Learners [46.7259033847682]
DARWIN 1.5は,材料科学に適したオープンソースの大規模言語モデルである。
DARWINはタスク固有の記述子の必要性を排除し、材料特性の予測と発見に対する柔軟な統一的なアプローチを可能にする。
提案手法は,6Mの物質ドメイン論文と49,256の物質から得られた21の実験データセットを統合し,タスク間の知識伝達を可能にする。
論文 参考訳（メタデータ） (2024-12-16T16:51:27Z) - MAmmoTH-VL: Eliciting Multimodal Reasoning with Instruction Tuning at Scale [66.73529246309033]
MLLM(Multimodal large language model)は、多モーダルタスクにおいて大きな可能性を秘めている。
既存の命令チューニングデータセットは、中間的合理性のないフレーズレベルの答えのみを提供する。
そこで本研究では,大規模マルチモーダル・インストラクション・チューニング・データセットを構築するためのスケーラブルで費用対効果の高い手法を提案する。
論文 参考訳（メタデータ） (2024-12-06T18:14:24Z) - Northeast Materials Database (NEMAD): Enabling Discovery of High Transition Temperature Magnetic Compounds [1.1856958240619673]
本研究では,Large Language Models (LLMs) を用いて,総合的かつ実験的な磁気材料データベースを構築した。
データベースには化学組成、磁気相転移温度、構造の詳細、磁気特性が組み込まれている。
機械学習モデルは材料を分類し、遷移温度を予測するために開発された。
論文 参考訳（メタデータ） (2024-09-24T02:27:10Z) - AI-accelerated Discovery of Altermagnetic Materials [48.261668305411845]
新たな磁気相であるオルテルマグネティズムは、強磁性と反強磁性とを区別して理論的に提案され、実験的に検証されている。
本稿では,AI検索エンジンによる自動発見手法を提案する。
金属、半導体、絶縁体をカバーする新しい50の磁気材料を発見しました。
論文 参考訳（メタデータ） (2023-11-08T01:06:48Z) - Large Language Models as Master Key: Unlocking the Secrets of Materials
Science with GPT [9.33544942080883]
本稿では,物質科学におけるデバイスレベルでの情報抽出の複雑さに対処するため,構造化情報推論(SII)と呼ばれる自然言語処理(NLP)タスクを提案する。
我々は、既存のペロブスカイト型太陽電池FAIRデータセットに91.8%のF1スコアでGPT-3をチューニングし、リリース以来のデータでデータセットを拡張した。
また、太陽電池の電気性能を予測する実験を設計し、大規模言語モデル(LLM)を用いてターゲットパラメータを持つ材料や装置の設計を行った。
論文 参考訳（メタデータ） (2023-04-05T04:01:52Z) - Prediction of Large Magnetic Moment Materials With Graph Neural Networks
and Random Forests [0.0]
強磁性材料の無機結晶構造データベースを走査するために,最先端の機械学習手法を用いる。
ランダムな森林では,化学組成と結晶構造に基づいて100近い関連する記述子を選択する手法を用いる。
我々は、大きな磁気モーメントを持ち、まだ実験的に研究されていない15の物質を発見した。
論文 参考訳（メタデータ） (2021-11-29T17:09:37Z) - 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。