論文の概要: Multimodal Machine Learning for Soft High-k Elastomers under Data Scarcity

• arxiv url: http://arxiv.org/abs/2601.18032v1
• Date: Sun, 25 Jan 2026 23:02:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.589836
• Title: Multimodal Machine Learning for Soft High-k Elastomers under Data Scarcity
• Title（参考訳）: ソフト高速度エラストマーのマルチモーダル機械学習
• Authors: Brijesh FNU, Viet Thanh Duy Nguyen, Ashima Sharma, Md Harun Rashid Molla, Chengyi Xu, Truong-Son Hy,
• Abstract要約: 誘電体材料は、センサ、アクチュエータ、トランジスタなどの現代のエレクトロニクスにとって重要な建築ブロックである。 近年,ソフトで伸縮性のある電子工学が急速に進歩し,人間やロボットのインタフェースの応用が進み,高性能化の必要性が高まっている。 同時に高い軟質エラストマーを開発することは依然として大きな課題である。 誘電率(k)と低ヤング率(E)
• 参考スコア（独自算出の注目度）: 4.9011301207951545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dielectric materials are critical building blocks for modern electronics such as sensors, actuators, and transistors. With the rapid recent advance in soft and stretchable electronics for emerging human- and robot-interfacing applications, there is a surging need for high-performance dielectric elastomers. However, it remains a grand challenge to develop soft elastomers that simultaneously possess high dielectric constants (k, related to energy storage capacity) and low Young's moduli (E, related to mechanical flexibility). While some new elastomer designs have been reported in individual (mostly one-off) studies, almost no structured dataset is currently available for dielectric elastomers that systematically encompasses their molecular sequence, dielectric, and mechanical properties. Within this context, we curate a compact, high-quality dataset of acrylate-based dielectric elastomers, one of the most widely explored elastomer backbones due to its versatile chemistry and molecular design flexibility, by screening and aggregating experimental results from the literature over the past 10 years. Building on this dataset, we propose a multimodal learning framework that leverages large-scale pretrained polymer representations from graph- and sequence-based encoders. These pretrained embeddings transfer rich chemical and structural knowledge from vast polymer corpora, enabling accurate few-shot prediction of both dielectric and mechanical properties from molecular sequences. Our results represent a new paradigm for transferring knowledge from pretrained multimodal models to overcome severe data scarcity, which can be readily translated to other polymer backbones (e.g., silicones, urethanes) and thus accelerate data-efficient discovery of soft high-k dielectric elastomers. Our source code and dataset are publicly available at https://github.com/HySonLab/Polymers
• Abstract（参考訳）: 誘電体材料は、センサ、アクチュエータ、トランジスタなどの現代のエレクトロニクスにとって重要な建築ブロックである。 ソフトで伸縮性のある電子工学が急速に進歩し、人間やロボットのインターフェイスへの応用が進み、高性能な誘電体エラストマーの必要性が高まっている。 しかし、高い誘電率(k)と低いヤング率(E)を同時に持つ軟質エラストマーを開発することは、依然として大きな課題である。 いくつかの新しいエラストマーの設計は個々の研究で報告されているが、現在は分子配列、誘電体、機械的特性を体系的に包含する誘電体エラストマーには、ほとんど構造化されていない。 この文脈において、我々は、この10年間に文献から実験結果のスクリーニングと集約により、その多目的化学および分子設計の柔軟性により最も広く研究されたエラストマーの1つであるアクリル酸系誘電性エラストマーのコンパクトで高品質なデータセットをキュレートする。 このデータセットに基づいて,グラフおよびシーケンスベースエンコーダからの大規模事前学習ポリマー表現を利用するマルチモーダル学習フレームワークを提案する。 これらの事前訓練された埋め込みは、広大なポリマーコーパスから豊富な化学的および構造的な知識を伝達し、分子配列から誘電特性と機械的特性の両方を正確に予測することができる。 本研究は, 重度のデータ不足を克服するために, 事前学習した多モードモデルから知識を伝達する新たなパラダイムとして, 他のポリマーのバックボーン(シリコン, ウレタンなど)に容易に翻訳し, ソフトな高k誘電性エラストマーの発見を加速する。 ソースコードとデータセットはhttps://github.com/HySonLab/Polymersで公開されています。

関連論文リスト

• polyGen: A Learning Framework for Atomic-level Polymer Structure Generation [4.6516580885528835]
  繰り返し単位化学のような最小の入力から高分子構造に特異的に設計された最初の生成モデルであるpolyGenを紹介する。 ポリゲンは、高分子の伝統的な結晶構造予測法の限界を克服し、現実的で多様な線形および分岐配座を生成することに成功した。 天然高分子の弾力性を示す最初の原子レベルの実証実験として、物質構造生成の新たな能力を示す。
  論文  参考訳（メタデータ） (2025-04-24T15:26:00Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Transferring a molecular foundation model for polymer property predictions [3.067983186439152]
  トランスモデルの自己教師付き事前トレーニングには、大規模なデータセットが必要である。 本研究では, 高分子特性を微調整し, 小分子で事前学習したトランスフォーマーを用いることで, 強化ポリマーデータセットでトレーニングしたトランスフォーマーと同等の精度が得られることを示す。
  論文  参考訳（メタデータ） (2023-10-25T19:55:00Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。 材料の生成モデルを評価するための追加指標を提案する。
  論文  参考訳（メタデータ） (2023-10-18T15:49:39Z)
• Reliable machine learning potentials based on artificial neural network for graphene [2.115174610040722]
  グラフェンの特別な2次元構造は、幅広い特異な材料特性を示すことができる。 分子動力学(MD)シミュレーションは、その特異な性質の微視的起源を理解するために広く採用されている。 人工ニューラルネットワークに基づく原子間ポテンシャルは、ポテンシャルエネルギー表面を表すためにグラフェンのために開発された。
  論文  参考訳（メタデータ） (2023-06-12T17:12:08Z)
• Linking Properties to Microstructure in Liquid Metal Embedded Elastomers via Machine Learning [0.0]
  液体金属(LM)はエラストマーマトリックスに埋め込まれ、独特の熱、誘電体、機械的特性を持つ軟質複合材料が得られる。 これらの材料の性質と構造を結びつけることにより、材料設計を合理的に行うことができる。
  論文  参考訳（メタデータ） (2022-07-24T06:02:26Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)

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。