論文の概要: Artificial Intelligence in Materials Science and Engineering: Current Landscape, Key Challenges, and Future Trajectorie

• arxiv url: http://arxiv.org/abs/2601.12554v1
• Date: Sun, 18 Jan 2026 19:36:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.680293
• Title: Artificial Intelligence in Materials Science and Engineering: Current Landscape, Key Challenges, and Future Trajectorie
• Title（参考訳）: 材料科学・工学における人工知能 : 現在の景観, キーチャレンジ, 未来軌道
• Authors: Iman Peivaste, Salim Belouettar, Francesco Mercuri, Nicholas Fantuzzi, Hamidreza Dehghani, Razieh Izadi, Halliru Ibrahim, Jakub Lengiewicz, Maël Belouettar-Mathis, Kouider Bendine, Ahmed Makradi, Martin Hörsch, Peter Klein, Mohamed El Hachemi, Heinz A. Preisig, Yacine Rezgui, Natalia Konchakova, Ali Daouadji,
• Abstract要約: AIは材料研究者にとって不可欠な能力になりつつある。 我々は、CNN、GNN、Transformersを含む機械学習アプローチのスペクトルを、新たな生成AIと確率モデルとともに調査する。 また、この分野でのデータの役割を重要視し、機械学習モデルの性能をいかに効果的に表現し、成果を上げるかを強調した。
• 参考スコア（独自算出の注目度）: 0.28279056210896714
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Artificial Intelligence is rapidly transforming materials science and engineering, offering powerful tools to navigate complexity, accelerate discovery, and optimize material design in ways previously unattainable. Driven by the accelerating pace of algorithmic advancements and increasing data availability, AI is becoming an essential competency for materials researchers. This review provides a comprehensive and structured overview of the current landscape, synthesizing recent advancements and methodologies for materials scientists seeking to effectively leverage these data-driven techniques. We survey the spectrum of machine learning approaches, from traditional algorithms to advanced deep learning architectures, including CNNs, GNNs, and Transformers, alongside emerging generative AI and probabilistic models such as Gaussian Processes for uncertainty quantification. The review also examines the pivotal role of data in this field, emphasizing how effective representation and featurization strategies, spanning compositional, structural, image-based, and language-inspired approaches, combined with appropriate preprocessing, fundamentally underpin the performance of machine learning models in materials research. Persistent challenges related to data quality, quantity, and standardization, which critically impact model development and application in materials science and engineering, are also addressed.
• Abstract（参考訳）: 人工知能は、材料科学と工学を急速に変革させており、複雑さをナビゲートし、発見を加速し、材料設計を従来不可能な方法で最適化する強力なツールを提供している。 アルゴリズムの進歩の加速とデータ可用性の向上によって、AIは材料研究者にとって不可欠な能力になりつつある。 このレビューは、これらのデータ駆動手法を効果的に活用しようとする材料科学者の最近の進歩と方法論を合成し、現在の景観を包括的かつ構造化した概要を提供する。 我々は、従来のアルゴリズムから、CNN、GNN、Transformersを含む先進的なディープラーニングアーキテクチャに至るまでの機械学習アプローチのスペクトルを、新しい生成AIや、不確実性定量化のためのGaussian Processesのような確率モデルとともに調査する。 この分野でのデータの役割についても検討し、構成的、構造的、イメージベース、言語にインスパイアされたアプローチにまたがる効果的な表現と成果化戦略を強調し、適切な前処理と組み合わせることで、材料研究における機械学習モデルの性能を根本的に下支えする。 データ品質、量、標準化に関する永続的な課題は、材料科学や工学におけるモデルの開発と応用に重大な影響を及ぼす。

関連論文リスト

• AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
  我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。 多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。 ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
  論文  参考訳（メタデータ） (2025-11-26T02:10:28Z)
• Accelerating scientific discovery with the common task framework [48.92654976046941]
  機械学習(ML)と人工知能(AI)アルゴリズムは、工学、物理、生物学における動的システムの特性と制御を変換している。 これらの新しいモデリングパラダイムは、様々な科学的目的を評価するために比較指標を必要とする。 科学と工学のための共通タスクフレームワーク(CTF)を導入する。
  論文  参考訳（メタデータ） (2025-11-06T02:53:07Z)
• Artificial Intelligence and Generative Models for Materials Discovery -- A Review [0.0]
  Reviewは、材料発見に適用可能なAI駆動生成モデルのさまざまな原則について議論することを目的としている。 また, 新規触媒, 半導体, 高分子, 結晶の設計における生成モデルの具体的な応用についても紹介する。
  論文  参考訳（メタデータ） (2025-08-05T09:56:27Z)
• Machine-Learning-Assisted Photonic Device Development: A Multiscale Approach from Theory to Characterization [80.82828320306464]
  フォトニックデバイス開発(PDD)は、様々な波長、スケール、アプリケーションにまたがる光を制御する新しいデバイスの設計と実装において大きな成功を収めた。 PDDは、設計パラメータからデバイス動作を導出する、デバイス性能をシミュレーションする、最適なデバイスを製造する、デバイス性能を測定する、という5段階の反復的プロセスである。 PDDは、大規模な最適化の展望、構造的または光学的特徴の不確実性、堅牢な製造プロセスの実装の困難に悩まされている。 本稿では,機械学習支援型PDDの実現に向けて,これらの手法の総合的な展望を示す。
  論文  参考訳（メタデータ） (2025-06-24T23:32:54Z)
• Machine Learning - Driven Materials Discovery: Unlocking Next-Generation Functional Materials - A review [0.0]
  機械学習(ML)によるアプローチは、材料発見、プロパティ予測、マテリアルデザインに革命をもたらしている。 このレビューでは、材料の機械的、熱的、電気的、光学的特性を予測するML駆動方式の現実的な応用を強調した。 データ品質、解釈可能性、AutoMLと量子コンピューティングの統合など、重要な課題にも対処しています。
  論文  参考訳（メタデータ） (2025-03-22T15:24:38Z)
• AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
  生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。 本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。 実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
  論文  参考訳（メタデータ） (2023-10-03T06:55:19Z)
• Artificial intelligence approaches for materials-by-design of energetic materials: state-of-the-art, challenges, and future directions [0.0]
  我々は,AIによる材料設計の進歩とそのエネルギー材料への応用についてレビューする。 文献における手法を,少数のデータから学習する能力の観点から評価する。 本稿では,メタラーニング,アクティブラーニング,ベイズラーニング,半/弱教師付きラーニングなど,EM教材の今後の研究方向性について提案する。
  論文  参考訳（メタデータ） (2022-11-15T14:41:11Z)
• Artificial Intelligence in Material Engineering: A review on applications of AI in Material Engineering [0.0]
  高性能コンピューティングにより、重要なパラメータでディープラーニング(DL)モデルをテストできるようになった。 GAN(Generative Adversarial Network)は、無機材料の化学組成の生成を促進する。 既存の分析機器からの結果を分析するためのAIの利用についても論じる。
  論文  参考訳（メタデータ） (2022-09-15T04:21:07Z)

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。