論文の概要: Interpretable Spectral Features Predict Conductivity in Self-Driving Doped Conjugated Polymer Labs

• arxiv url: http://arxiv.org/abs/2509.21330v1
• Date: Sat, 06 Sep 2025 18:00:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 05:29:07.741622
• Title: Interpretable Spectral Features Predict Conductivity in Self-Driving Doped Conjugated Polymer Labs
• Title（参考訳）: 自己駆動型共役高分子研究所における解釈可能な分光特性の予測導電率
• Authors: Ankush Kumar Mishra, Jacob P. Mauthe, Nicholas Luke, Aram Amassian, Baskar Ganapathysubramanian,
• Abstract要約: 自動運転ラボは、自動化と機械学習を結合することで、より高速な材料発見を約束する。 我々は光分光法から解釈可能な分光指紋を学習し、電気伝導率を予測することでこの問題に対処する。
• 参考スコア（独自算出の注目度）: 2.8914750842461583
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-driving labs (SDLs) promise faster materials discovery by coupling automation with machine learning, but a central challenge is predicting costly, slow-to-measure properties from inexpensive, automatable readouts. We address this for doped conjugated polymers by learning interpretable spectral fingerprints from optical spectroscopy to predict electrical conductivity. Optical spectra are fast, non-destructive, and sensitive to aggregation and charge generation; we automate their featurization by combining a genetic algorithm (GA) with area-under-the-curve (AUC) computations over adaptively selected spectral windows. These data-driven spectral features, together with processing parameters, are used to train a quantitative structure-property relationship (QSPR) linking optical response and processing to conductivity. To improve accuracy and interpretability in the small-data regime, we add domain-knowledge-based feature expansions and apply SHAP-guided selection to retain a compact, physically meaningful feature set. The pipeline is evaluated under a leak-free train/test protocol, and GA is repeated to assess feature stability. The data-driven model matches the performance of a baseline built from expert-curated descriptors while reducing experimental effort (about 33%) by limiting direct conductivity measurements. Combining data-driven and expert features yields a hybrid QSPR with superior predictive performance, highlighting productive human-ML collaboration. The learned features recover known descriptors in pBTTT (0-0/0-1 vibronic intensity ratio) and reveal a tail-state region correlated with polymer bleaching during successful doping. This approach delivers interpretable, noise-robust, small-data-friendly features that convert rapid measurements into reliable predictions of costly properties and readily extends to other spectral modalities (e.g., XANES, Raman, FTIR).
• Abstract（参考訳）: 自動運転ラボ(SDL)は、自動化と機械学習を結合することで、より高速な材料発見を約束する。 光分光法から解釈可能な分光指紋を学習し、導電率を予測することで、ドープ共役ポリマーに対処する。 光スペクトルは高速で非破壊的で、凝集や電荷発生に敏感であり、遺伝的アルゴリズム(GA)とAUC(Area-under-the-curve)計算を適応的に選択したスペクトル窓上で組み合わせることで、それらの加工を自動化する。 これらのデータ駆動スペクトル特徴は、処理パラメータとともに、光学応答と処理を導電性に結びつける定量的構造-不純物関係(QSPR)を訓練するために使用される。 小データ構造における精度と解釈性を向上させるため、ドメイン知識に基づく特徴拡張を加え、SHAP誘導選択を適用してコンパクトで物理的に意味のある特徴集合を保持する。 パイプラインを漏れのないトレイン/テストプロトコルで評価し、GAを繰り返して特徴安定性を評価する。 データ駆動モデルは、専門家が計算した記述子から構築したベースラインのパフォーマンスと一致し、直接伝導率測定を制限することで実験的な労力(約33%)を削減する。 データ駆動とエキスパート機能を組み合わせることで、予測性能の優れたハイブリッドQSPRが得られ、生産的な人間とMLのコラボレーションが強調される。 pBTTT (0-0/0-1 ビブロニック強度比) の既知の記述子を回収し, ドーピング成功時のポリマー漂白と相関した尾状態領域を明らかにした。 このアプローチは、高速な測定を高価な特性の信頼性のある予測に変換し、容易に他のスペクトルモード(例えば、XANES、Raman、FTIR)に拡張する、解釈可能でノイズの少ない、小さなデータフレンドリーな機能を提供する。

関連論文リスト

• OASIS: A Deep Learning Framework for Universal Spectroscopic Analysis Driven by Novel Loss Functions [4.0097349146966925]
  技術に依存しない自動スペクトル分析のための機械学習(ML)フレームワークを提案する。 OASISは、戦略的に設計された合成データセットでトレーニングされたモデルを通じて、その汎用性を達成する。 本研究は、高性能MLモデルを開発するための重要な資源効率戦略として、損失関数の最適化を強調した。
  論文  参考訳（メタデータ） (2025-09-15T01:28:51Z)
• LUMIR: an LLM-Driven Unified Agent Framework for Multi-task Infrared Spectroscopy Reasoning [12.138903544219724]
  本研究では,低データ条件下での正確な赤外分光分析を実現するためのフレームワークであるLUMIRを紹介する。 LUMIRは構造化文学知識ベース、自動前処理、特徴抽出、予測モデリングを統合パイプラインに統合する。 利用可能なミルク近赤外データセット、中国の薬草、貯蔵期間の異なるCitri Reticulatae Pericarpium(CRP)、産業排水CODデータセット、Tecator、Cornなど、さまざまなデータセットで検証された。
  論文  参考訳（メタデータ） (2025-07-29T03:20:51Z)
• A Hybrid Artificial Intelligence Method for Estimating Flicker in Power Systems [42.76841620787673]
  本稿では,Hフィルタと適応線形ニューロンネットワークを組み合わせたハイブリッドAI手法を提案する。 提案手法はHフィルタのロバスト性を利用して不確実でノイズの多い条件下で電圧エンベロープを抽出し,次にADALINEを用いてエンベロープに埋め込まれたフリック周波数を正確に同定する。
  論文  参考訳（メタデータ） (2025-06-16T15:38:39Z)
• Rapid analysis of point-contact Andreev reflection spectra via machine learning with adaptive data augmentation [14.94657556857823]
  点接触アンドリーフ反射法(PCAR)測定は順序パラメータを識別するための強力なツールである。 本研究では,様々な超伝導体のPCARスペクトルを高速かつ自動解析するモデルを作成するために,畳み込みニューラルネットワーク(CNN)アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2025-03-13T04:45:38Z)
• Adaptive Clustering for Efficient Phenotype Segmentation of UAV Hyperspectral Data [1.6135226672466307]
  無人航空機 (UAV) とハイパースペクトルイメージング (HSI) が組み合わさって、環境および農業用途の可能性を秘めている。 本稿では,リアルタイムツリー表現型セグメンテーションのためのオンラインハイパースペクトル簡易線形反復クラスタリングアルゴリズム(OHSLIC)を提案する。
  論文  参考訳（メタデータ） (2025-01-17T13:48:04Z)
• Semiparametric inference for impulse response functions using double/debiased machine learning [49.1574468325115]
  本稿では,インパルス応答関数(IRF)に対する機械学習推定手法を提案する。 提案した推定器は、処理と結果変数の完全な非パラメトリック関係に依存することができ、柔軟な機械学習アプローチを用いてIRFを推定することができる。
  論文  参考訳（メタデータ） (2024-11-15T07:42:02Z)
• Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space [54.13671100638092]
  Holistic Physics Mixer (HPM) は、スペクトルと物理情報を統一された空間に統合するためのフレームワークである。 我々はHPMが精度と計算効率の両面で最先端の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-15T08:19:39Z)
• Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
  本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。 提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
  論文  参考訳（メタデータ） (2023-11-30T13:50:21Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)
• Gaussian Process Regression for Absorption Spectra Analysis of Molecular Dimers [68.8204255655161]
  本稿では、ガウス過程回帰(GPR)から数値計算のパラメータを選択する機械学習技術に基づくアプローチについて議論する。 このアプローチは最適パラメータ集合に素早く収束するだけでなく、完全なパラメータ空間に関する情報を提供する。 実際、GPRは量子化学法を用いてこれらのパラメータの直接計算と一致した信頼性の高い結果を与える。
  論文  参考訳（メタデータ） (2021-12-14T17:46:45Z)

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。