論文の概要: Predictive Inorganic Synthesis based on Machine Learning using Small Data sets: a case study of size-controlled Cu Nanoparticles

• arxiv url: http://arxiv.org/abs/2512.16545v1
• Date: Thu, 18 Dec 2025 13:53:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:32.084283
• Title: Predictive Inorganic Synthesis based on Machine Learning using Small Data sets: a case study of size-controlled Cu Nanoparticles
• Title（参考訳）: 小型データ集合を用いた機械学習に基づく予測無機合成 : 粒径制御Cuナノ粒子のケーススタディ
• Authors: Brent Motmans, Digvijay Ghogare, Thijs G. I. van Wijk, An Hardy, Danny E. P. Vanpoucke,
• Abstract要約: 銅ナノ粒子(Cu NPs)は広い適用性を持つが、その合成は反応パラメータの微妙な変化に敏感である。 本研究は, マイクロ波支援ポリオール合成によるCu NPのサイズを予測するための機械学習について, 室内で行った25種類の小さなデータ集合を用いて検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Copper nanoparticles (Cu NPs) have a broad applicability, yet their synthesis is sensitive to subtle changes in reaction parameters. This sensitivity, combined with the time- and resource-intensive nature of experimental optimization, poses a major challenge in achieving reproducible and size-controlled synthesis. While Machine Learning (ML) shows promise in materials research, its application is often limited by scarcity of large high-quality experimental data sets. This study explores ML to predict the size of Cu NPs from microwave-assisted polyol synthesis using a small data set of 25 in-house performed syntheses. Latin Hypercube Sampling is used to efficiently cover the parameter space while creating the experimental data set. Ensemble regression models, built with the AMADEUS framework, successfully predict particle sizes with high accuracy ($R^2 = 0.74$), outperforming classical statistical approaches ($R^2 = 0.60$). Overall, this study highlights that, for lab-scale synthesis optimization, high-quality small datasets combined with classical, interpretable ML models outperform traditional statistical methods and are fully sufficient for quantitative synthesis prediction. This approach provides a sustainable and experimentally realistic pathway toward data-driven inorganic synthesis design.
• Abstract（参考訳）: 銅ナノ粒子(Cu NPs)は広い適用性を持つが、その合成は反応パラメータの微妙な変化に敏感である。 この感度は、実験最適化の時間的および資源的集約的な性質と相まって、再現性とサイズ制御された合成を達成する上で大きな課題となる。 機械学習(ML)は材料研究において有望であるが、その応用は大規模で高品質な実験データセットの不足によって制限されることが多い。 本研究は, マイクロ波支援ポリオール合成によるCu NPsのサイズを予測するためのMLを, 室内で行った25種類の小さなデータ集合を用いて検討した。 ラテンハイパーキューブサンプリングは、実験データセットを作成しながらパラメータ空間を効率的にカバーするために使用される。 AMADEUSフレームワークで構築されたエンサンブル回帰モデルは、高精度な粒子サイズ(R^2 = 0.74$)の予測に成功し、古典的な統計手法(R^2 = 0.60$)よりも優れている。 全体として、実験室規模の合成最適化では、古典的解釈可能なMLモデルと組み合わされた高品質の小型データセットが従来の統計手法より優れており、定量的合成予測に十分である。 このアプローチは、データ駆動無機合成設計への持続的で実験的に現実的な経路を提供する。

関連論文リスト

• Scaling Laws of Synthetic Data for Language Models [125.41600201811417]
  プレトレーニングコーパスを多種多様な高品質な合成データセットに変換するスケーラブルなフレームワークであるSynthLLMを紹介した。 提案手法は,グラフアルゴリズムを用いて複数の文書にまたがるハイレベルな概念を自動的に抽出し,再結合することで実現している。
  論文  参考訳（メタデータ） (2025-03-25T11:07:12Z)
• Predicting and Accelerating Nanomaterials Synthesis Using Machine Learning Featurization [0.0]
  反射型高エネルギー電子回折データの特徴抽出と機械学習による一般化を行う。 専門家ラベル付きデータの小さなセット(10)で定量的に予測関係を確立し、その後に成長したサンプルでかなりの時間を節約した。 これらの予測は、未解決の試行を回避し、後続のキャラクタリゼーションを減らし、材料合成の制御分解能を改善するためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:03:55Z)
• Synthetic Oversampling: Theory and A Practical Approach Using LLMs to Address Data Imbalance [16.047084318753377]
  不均衡な分類と急激な相関は、データサイエンスと機械学習における一般的な課題である。 近年の進歩は、大規模言語モデルの柔軟性と生成能力を生かして合成サンプルを生成することを提案した。 本稿では,不均衡な分類とスプリアス相関に対処する上で,合成試料の役割を体系的に研究する新たな理論基盤を開発する。
  論文  参考訳（メタデータ） (2024-06-05T21:24:26Z)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• Determination of droplet size from wide-angle light scattering image data using convolutional neural networks [0.0]
  我々は,畳み込みニューラルネットワーク(CNN)を用いた完全自動機械学習ベースのアプローチを導入し,ドロップレットサイズプロセスの合理化を図る。 燃焼器表面上におけるエタノール噴霧火炎過程のWALSデータについて検討する。 モデルは、約35,000 WALS画像からなる大規模なデータセット上でトレーニングされ、クロスバリデーションされる。
  論文  参考訳（メタデータ） (2023-11-03T18:05:47Z)
• Let's Synthesize Step by Step: Iterative Dataset Synthesis with Large Language Models by Extrapolating Errors from Small Models [69.76066070227452]
  ※データ合成*はラベル付きデータの少ない小さなモデルをトレーニングするための有望な方法です。 本稿では,この分散ギャップを縮めるデータ合成フレームワークであるStep* (**S3**) による合成ステップを提案する。 提案手法は,合成データセットと実データとのギャップを小さくすることで,小型モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-10-20T17:14:25Z)
• Bespoke Nanoparticle Synthesis and Chemical Knowledge Discovery Via Autonomous Experimentations [6.544041907979552]
  本稿では,光学特性を目標としたナノ粒子(NP)の設計のための自律的な実験プラットフォームについて報告する。 このプラットフォームは、AI最適化モデリングのフィードバックに基づいて、NPのバッチ合成モジュールとUV-Vis分光モジュールの間をクローズループで動作させる。 優れた材料開発効率に加えて、合成変数の解析により、Ag NP合成におけるクエン酸の効果を含む新しい化学が明らかにされる。
  論文  参考訳（メタデータ） (2023-09-01T09:15:04Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
  生成過程が下流MLタスクにどのように影響するかを示す。 本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
  論文  参考訳（メタデータ） (2023-05-16T07:30:29Z)
• ContraNeRF: Generalizable Neural Radiance Fields for Synthetic-to-real Novel View Synthesis via Contrastive Learning [102.46382882098847]
  まず,合成から現実への新規な視点合成における合成データの影響について検討した。 本稿では,幾何制約を伴う多視点一貫した特徴を学習するために,幾何対応のコントラスト学習を導入することを提案する。 提案手法は,PSNR,SSIM,LPIPSの点で,既存の一般化可能な新規ビュー合成手法よりも高い画質で精細な画像を描画することができる。
  論文  参考訳（メタデータ） (2023-03-20T12:06:14Z)
• Synthetic data enable experiments in atomistic machine learning [0.0]
  既存のMLポテンシャルモデルから,原子単位のエネルギーをラベル付けした大規模データセットの使用を実演する。 このプロセスの安価さは、量子力学の土台真実に比べれば、数百万のデータポイントを生成できる。 合成データラベルの学習は、後続の小さなデータセットの微調整に有用な事前学習タスクであることを示す。
  論文  参考訳（メタデータ） (2022-11-29T18:17:24Z)
• Predictive Synthesis of Quantum Materials by Probabilistic Reinforcement Learning [1.4680035572775534]
  本研究では, 半超電導単層MoS$_2$の量子材料に対する最適合成スケジュールの予測に強化学習を用いる。 このモデルは、多相ヘテロ構造を含む複雑な構造の合成のためのプロファイルを予測するために拡張することができる。
  論文  参考訳（メタデータ） (2020-09-14T20:50:45Z)

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。