論文の概要: Active Learning and Explainable AI for Multi-Objective Optimization of Spin Coated Polymers

• arxiv url: http://arxiv.org/abs/2509.08988v1
• Date: Wed, 10 Sep 2025 20:35:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.143105
• Title: Active Learning and Explainable AI for Multi-Objective Optimization of Spin Coated Polymers
• Title（参考訳）: スピン被覆高分子の多目的最適化のためのアクティブラーニングと説明可能なAI
• Authors: Brendan Young, Brendan Alvey, Andreas Werbrouck, Will Murphy, James Keller, Mattias J. Young, Matthew Maschmann,
• Abstract要約: 特定の機械的特性を達成するためのスピンコーティングポリマー薄膜は、本質的に多目的最適化問題である。 本稿では,PyePAL(PyePAL)と可視化,説明可能なAI技術を統合し,処理パラメータを最適化するフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.1486780669929473
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spin coating polymer thin films to achieve specific mechanical properties is inherently a multi-objective optimization problem. We present a framework that integrates an active Pareto front learning algorithm (PyePAL) with visualization and explainable AI techniques to optimize processing parameters. PyePAL uses Gaussian process models to predict objective values (hardness and elasticity) from the design variables (spin speed, dilution, and polymer mixture), guiding the adaptive selection of samples toward promising regions of the design space. To enable interpretable insights into the high-dimensional design space, we utilize UMAP (Uniform Manifold Approximation and Projection) for two-dimensional visualization of the Pareto front exploration. Additionally, we incorporate fuzzy linguistic summaries, which translate the learned relationships between process parameters and performance objectives into linguistic statements, thus enhancing the explainability and understanding of the optimization results. Experimental results demonstrate that our method efficiently identifies promising polymer designs, while the visual and linguistic explanations facilitate expert-driven analysis and knowledge discovery.
• Abstract（参考訳）: 特定の機械的特性を達成するためのスピンコーティングポリマー薄膜は、本質的に多目的最適化問題である。 本稿では,PyePAL(PyePAL)と可視化,説明可能なAI技術を統合し,処理パラメータを最適化するフレームワークを提案する。 PyePALはガウス過程モデルを用いて、設計変数(スピン速度、希釈、ポリマー混合物)から目標値(硬さと弾性)を予測し、設計空間の有望な領域に向けてサンプルの適応的選択を導く。 高次元設計空間への解釈可能な洞察を可能にするために、我々はパレート前面探査の2次元可視化にUMAP(Uniform Manifold Approximation and Projection)を利用する。 さらに、ファジィ言語要約を組み込み、プロセスパラメータと性能目標の間の学習された関係を言語文に変換することにより、最適化結果の説明可能性と理解を深める。 実験の結果,提案手法は有望な高分子設計を効果的に同定し,視覚的および言語的説明は専門家主導による分析と知識発見を促進することがわかった。

関連論文リスト

• Inverse Design in Nanophotonics via Representation Learning [0.0]
  ナノフォトの逆設計は、標的電磁応答(EM)の鍵となるツールとなっている。 機械学習(ML)が出現し、これらのボトルネックに効果的に対処している。 このレビューでは、レンズ表現学習を通じてMLを2つのカテゴリ(出力側と入力側)に分類する。
  論文  参考訳（メタデータ） (2025-07-01T08:10:05Z)
• Assessing an evolutionary search engine for small language models, prompts, and evaluation metrics [0.0]
  言語モデルと命令プロンプトの同時最適化は、効率的で効果的なAIシステムをデプロイする上で大きな課題となる。 本稿では,この複雑な空間をナビゲートするために設計された双方向進化型検索エンジンを紹介し,評価する。 NSGA-IIアルゴリズムを用いて,タスクの精度とトークン効率の同時最適化を行う。
  論文  参考訳（メタデータ） (2025-06-26T17:36:23Z)
• Architectural Fusion Through Contextual Partitioning in Large Language Models: A Novel Approach to Parameterized Knowledge Integration [0.0]
  本稿では,パラメータの動的セグメンテーションをコンテキスト対応領域に分割することで,大規模計算モデルのアーキテクチャ設計を強化するための革新的なアプローチを提案する。 実験による評価は、様々な言語課題における精度、難易度、文脈的コヒーレンスを大幅に改善したことを示す。 これらの知見は、多様かつ複雑な領域における計算言語アーキテクチャのスケーラビリティと適応性を再定義するコンテキスト分割の可能性を示すものである。
  論文  参考訳（メタデータ） (2025-01-22T14:21:04Z)
• T-REX: Mixture-of-Rank-One-Experts with Semantic-aware Intuition for Multi-task Large Language Model Finetuning [31.276142111455847]
  大規模言語モデル(LLM)は多様なマルチタスクの微調整において重要な適応課題に直面している。 我々はmixunderlinetextbfTureunderlinetextbf-of-underlinetextbfRank-onunderlinetextbfE-eunderlinetextbfXper ts (textttT-REX) という新しいフレームワークを設計する。 Rank-1のエキスパートは、ミックス・アンド・マッチのメカニズムにより、線形パラメータのオーバーヘッドを持つエキスパートのベクトル部分空間を2次に拡張し、最適で近似誤差削減を達成することができる。
  論文  参考訳（メタデータ） (2024-04-13T12:14:58Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
  深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。 これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
  論文  参考訳（メタデータ） (2022-10-19T19:04:45Z)
• Exploring Dimensionality Reduction Techniques in Multilingual Transformers [64.78260098263489]
  本稿では,多言語シームス変圧器の性能に及ぼす次元還元法の影響を包括的に考察する。 これは、それぞれ91.58% pm 2.59%$と54.65% pm 32.20%$の次元を平均で減少させることが可能であることを示している。
  論文  参考訳（メタデータ） (2022-04-18T17:20:55Z)
• Visualizing the Relationship Between Encoded Linguistic Information and Task Performance [53.223789395577796]
  本稿では,Pareto Optimalityの観点から,符号化言語情報とタスクパフォーマンスの動的関係について検討する。 我々は、機械翻訳と言語モデリングという2つの一般的なNLPタスクの実験を行い、様々な言語情報とタスクパフォーマンスの関係について検討する。 実験結果から,NLPタスクには構文情報が有用であるのに対して,より構文情報の符号化が必ずしも優れたパフォーマンスをもたらすとは限らないことが示唆された。
  論文  参考訳（メタデータ） (2022-03-29T19:03:10Z)

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。