論文の概要: Towards a Generalizable AI for Materials Discovery: Validation through Immersion Coolant Screening
- arxiv url: http://arxiv.org/abs/2510.23371v1
- Date: Mon, 27 Oct 2025 14:21:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 17:41:22.02278
- Title: Towards a Generalizable AI for Materials Discovery: Validation through Immersion Coolant Screening
- Title（参考訳）: 材料発見のための汎用AIを目指して:浸漬冷却液スクリーニングによる検証
- Authors: Hyunseung Kim, Dae-Woong Jeong, Changyoung Park, Won-Ji Lee, Ha-Eun Lee, Ji-Hye Lee, Rodrigo Hormazabal, Sung Moon Ko, Sumin Lee, Soorin Yim, Chanhui Lee, Sehui Han, Sang-Ho Cha, Woohyung Lim,
- Abstract要約: GATEは、熱、電気、機械、光学の領域にまたがる34の物理化学的性質を学習する、一般化可能なAIフレームワークである。
Gateは92,861個の分子を実用的な展開に期待している。
4 は試験的にもリテラル的にも検証され、湿式測定と商業冷媒に匹敵する性能と強い一致を示した。
- 参考スコア（独自算出の注目度）: 12.989974183391425
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Artificial intelligence (AI) has emerged as a powerful accelerator of materials discovery, yet most existing models remain problem-specific, requiring additional data collection and retraining for each new property. Here we introduce and validate GATE (Geometrically Aligned Transfer Encoder) -- a generalizable AI framework that jointly learns 34 physicochemical properties spanning thermal, electrical, mechanical, and optical domains. By aligning these properties within a shared geometric space, GATE captures cross-property correlations that reduce disjoint-property bias -- a key factor causing false negatives in multi-criteria screening. To demonstrate its generalizability, GATE -- without any problem-specific reconfiguration -- was directly applied to the discovery of immersion cooling fluids for data centers, a stringent real-world challenge defined by the Open Compute Project (OCP). Screening billions of candidates, GATE identified 92,861 molecules as promising for practical deployment. Four were experimentally or literarily validated, showing strong agreement with wet-lab measurements and performance comparable to or exceeding a commercial coolant. These results establish GATE as a ready-to-use, generalizable AI platform readily applicable across diverse materials discovery tasks.
- Abstract（参考訳）: 人工知能(AI)は、材料発見の強力な加速器として登場したが、既存のモデルの多くは問題固有のままであり、追加のデータ収集と新しいプロパティの再トレーニングを必要としている。
ここでは、熱、電気、機械、光学ドメインにまたがる34の物理化学的特性を共同で学習する、汎用可能なAIフレームワークであるGATE(Geometrically Aligned Transfer Encoder)を紹介し、検証する。
共有幾何学空間内でこれらの性質を整列させることにより、GATEは不整合・不整合バイアスを減少させるクロスプロパティ相関を捕捉する。
その一般化性を実証するために、GATE -- 問題固有の再構成なしに -- は、データセンターの浸漬冷却流体の発見に直接適用された。
数十億の候補を探索し、GATEは92,861の分子を実用的展開に期待できると同定した。
4 は試験的にもリテラル的にも検証され、湿式測定と商業冷媒に匹敵する性能と強い一致を示した。
これらの結果は、さまざまな材料発見タスクに容易に適用可能な、実用的で汎用的なAIプラットフォームとして、GATEを確立している。
関連論文リスト
- Discovery of Sustainable Refrigerants through Physics-Informed RL Fine-Tuning of Sequence Models [12.04169043797071]
Refgenは、機械学習と物理地上の帰納バイアスを統合する生成パイプラインである。
本稿では、機械学習と物理基底の帰納バイアスを統合した生成パイプラインであるRefgenを紹介する。
論文 参考訳（メタデータ） (2025-09-23T21:24:35Z) - Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。
ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。
本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
論文 参考訳（メタデータ） (2025-04-28T12:00:10Z) - Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。
本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。
SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
論文 参考訳（メタデータ） (2025-03-18T02:14:49Z) - Inverse Materials Design by Large Language Model-Assisted Generative Framework [35.04390544440238]
AlloyGANは、Large Language Model (LLM) を利用したテキストマイニングと条件付き生成支援ネットワーク (CGAN) を統合したフレームワークである。
金属ガラスの場合、このフレームワークは実験から8%未満の差で熱力学特性を予測する。
生成AIをドメイン知識でブリッジすることで、A AlloyGANは、カスタマイズされた特性を持つ物質の発見を加速するスケーラブルなアプローチを提供する。
論文 参考訳（メタデータ） (2025-02-25T11:52:59Z) - Discovering physical laws with parallel symbolic enumeration [67.36739393470869]
並列記号列挙法(PSE)を導入し,限られたデータから汎用数学的表現を効率的に抽出する。
実験の結果,PSEは最先端のベースラインアルゴリズムと比較して精度が高く,計算速度も速いことがわかった。
PSEは、記号的、解釈可能なモデルの正確で効率的なデータ駆動による発見の進歩を表している。
論文 参考訳（メタデータ） (2024-07-05T10:41:15Z) - Generative adversarial networks for data-scarce spectral applications [0.0]
合成スペクトルデータ生成分野におけるGANの応用について報告する。
CWGANは,低データ方式の性能向上を図り,サロゲートモデルとして機能することを示す。
論文 参考訳（メタデータ） (2023-07-14T16:27:24Z) - ALMERIA: Boosting pairwise molecular contrasts with scalable methods [0.0]
ALMERIAは、一対の分子コントラストに基づく化合物の類似性と活性予測を推定するためのツールである。
大量のデータを利用するスケーラブルなソフトウェアと手法を使って実装されている。
分子活性予測の最先端性能を示す実験を行った。
論文 参考訳（メタデータ） (2023-04-28T16:27:06Z) - Modular machine learning-based elastoplasticity: generalization in the
context of limited data [0.0]
エラスト塑性の定式化のモジュラリティに頼って,データの変動量に対処できるハイブリッドフレームワークについて論じる。
発見された物質モデルは、よく補間できるだけでなく、トレーニングデータの領域外から熱力学的に一貫した方法で正確な外挿を可能にする。
論文 参考訳（メタデータ） (2022-10-15T17:35:23Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。