論文の概要: Sustainable Materials Discovery in the Era of Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2601.21527v1
• Date: Thu, 29 Jan 2026 10:42:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.742271
• Title: Sustainable Materials Discovery in the Era of Artificial Intelligence
• Title（参考訳）: 人工知能時代の持続可能な材料発見
• Authors: Sajid Mannan, Rupert J. Myers, Rohit Batra, Rocio Mercado, Lothar Wondraczek, N. M. Anoop Krishnan,
• Abstract要約: 本稿では,上流機械学習(ML)支援材料発見と下流ライフサイクルアセスメントを一様ML-LCA環境に統合することを提案する。 ML-LCAフレームワークは、材料環境知識ベースを構築するための情報抽出、サステナビリティメトリクスにプロパティをリンクする調和データベース、原子特性をライフサイクルへの影響にブリッジするマルチスケールモデル、不確実な定量化を伴う製造経路のアンサンブル予測、不確実性を考慮した最適化の5つのコンポーネントを統合する。
• 参考スコア（独自算出の注目度）: 3.222363676081407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) has transformed materials discovery, enabling rapid exploration of chemical space through generative models and surrogate screening. Yet current AI workflows optimize performance first, deferring sustainability to post synthesis assessment. This creates inefficiency by the time environmental burdens are quantified, resources have been invested in potentially unsustainable solutions. The disconnect between atomic scale design and lifecycle assessment (LCA) reflects fundamental challenges, data scarcity across heterogeneous sources, scale gaps from atoms to industrial systems, uncertainty in synthesis pathways, and the absence of frameworks that co-optimize performance with environmental impact. We propose to integrate upstream machine learning (ML) assisted materials discovery with downstream lifecycle assessment into a uniform ML-LCA environment. The framework ML-LCA integrates five components, information extraction for building materials-environment knowledge bases, harmonized databases linking properties to sustainability metrics, multi-scale models bridging atomic properties to lifecycle impacts, ensemble prediction of manufacturing pathways with uncertainty quantification, and uncertainty-aware optimization enabling simultaneous performance-sustainability navigation. Case studies spanning glass, cement, semiconductor photoresists, and polymers demonstrate both necessity and feasibility while identifying material-specific integration challenges. Realizing ML-LCA demands coordinated advances in data infrastructure, ex-ante assessment methodologies, multi-objective optimization, and regulatory alignment enabling the discovery of materials that are sustainable by design rather than by chance.
• Abstract（参考訳）: 人工知能(AI)は材料発見を変革し、生成モデルとサロゲートスクリーニングによる化学空間の迅速な探索を可能にした。 しかし、現在のAIワークフローは、パフォーマンスを最初に最適化し、持続可能性から合成後のアセスメントを延期する。 これにより、環境負荷が定量化され、リソースが潜在的に持続不可能なソリューションに投資されるにつれて、効率が低下する。 原子スケール設計とライフサイクルアセスメント(LCA)の切り離しは、基本的な課題、異質なソース間のデータの不足、原子から産業システムへのスケールギャップ、合成経路の不確実性、環境への影響を協調的に最適化するフレームワークの欠如を反映している。 本稿では,上流機械学習(ML)支援材料発見と下流ライフサイクルアセスメントを一様ML-LCA環境に統合することを提案する。 ML-LCAは、材料環境知識ベースを構築するための情報抽出、サステナビリティ指標にプロパティをリンクする調和データベース、ライフサイクルへの影響に原子特性をブリッジするマルチスケールモデル、不確実な定量化を伴う製造経路のアンサンブル予測、同時性能・持続可能性ナビゲーションを可能にする不確実性対応最適化の5つのコンポーネントを統合する。 ガラス、セメント、半導体フォトレジスト、ポリマーにまたがるケーススタディは、材料固有の統合課題を特定しながら、必要性と実現可能性の両方を示している。 ML-LCAがデータ基盤の協調的な進歩、元アンティーアセスメント手法、多目的最適化、そして偶然ではなく設計によって持続可能な材料発見を可能にする規制アライメントを実現することを実現する。

関連論文リスト

• Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration [63.61423859450929]
  この白書は、DESCの主要な宇宙探査と横断的分析を通して、AI/MLの現在の状況を調査している。 本研究では,大規模ベイズ推定,物理インフォームド手法,検証フレームワーク,発見のための能動的学習など,主要な方法論研究の優先事項を明らかにする。
  論文  参考訳（メタデータ） (2026-01-20T18:46:42Z)
• Interpretable Hybrid Deep Q-Learning Framework for IoT-Based Food Spoilage Prediction with Synthetic Data Generation and Hardware Validation [0.5417521241272645]
  インテリジェントでリアルタイムな腐敗予測システムの必要性は、現代のIoT駆動食品サプライチェーンにおいて重要になっている。 本稿では,Long Short-Term Memory(LSTM)とRecurrent Neural Networks(RNN)を統合したハイブリッド強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-22T12:59:48Z)
• Multimodal AI Systems for Enhanced Laying Hen Welfare Assessment and Productivity Optimization [0.0]
  養鶏の未来は、主観的で労働集約的な福祉チェックをデータ駆動のインテリジェントなモニタリングエコシステムに置き換えることに依存する。 伝統的な福祉評価は、人間の観察と単一センサーのデータによって制限されるが、現代の農場における鶏の福祉の複雑な多次元的な性質を完全には捉えられない。 この研究は、生産性と倫理的、科学に基づく動物ケアを一体化する、反応的、一助的モニタリングから、積極的な、精密な福祉システムへの移行の基礎を築いた。
  論文  参考訳（メタデータ） (2025-08-11T05:17:16Z)
• Perovskite-R1: A Domain-Specialized LLM for Intelligent Discovery of Precursor Additives and Experimental Design [5.378023608941598]
  ペロブスカイト太陽電池 (PSCs) は、次世代の太陽電池技術の主要な候補として急速に出現している。 長期の安定、環境の持続可能性、スケーラブルな製造といった課題は、商業化を妨げ続けている。 プリキュラ付加工学はPSCの性能と耐久性を向上させることでこれらの問題に対処することを約束している。 本稿では,PSC前駆体の発見と設計に適した高度な推論機能を備えた特殊大言語モデル(LLM)であるPerovskite-R1を紹介する。
  論文  参考訳（メタデータ） (2025-07-22T07:48:32Z)
• Insights Informed Generative AI for Design: Incorporating Real-world Data for Text-to-Image Output [51.88841610098437]
  本稿では,DALL-E 3を材料データセットと統合して,サステナビリティ指標と材料利用の洞察を備えたAI設計を充実させるパイプラインを提案する。 我々は,(1) 生成AIによるプロンプトプロセスに先立ってユーザに対してサステナビリティの言及がなく,(2) プロンプト前にユーザと通信するサステナビリティの目標,(3) 生成AI出力に含まれる量的CO2eデータとともに通信するサステナビリティの目標である,という3つのユーザテストを通じてシステムを評価する。
  論文  参考訳（メタデータ） (2025-06-17T22:33:11Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• Cooperative Resilience in Artificial Intelligence Multiagent Systems [2.0608564715600273]
  本稿では, 協調レジリエンスの明確な定義とその定量化手法を提案する。 その結果は、集団システムが破壊に直面してどのように準備し、抵抗し、回復し、幸福を維持し、変革するかを分析する上で、レジリエンス指標の重要な役割を強調している。
  論文  参考訳（メタデータ） (2024-09-20T03:28:48Z)
• AIMS-EREA -- A framework for AI-accelerated Innovation of Materials for Sustainability -- for Environmental Remediation and Energy Applications [0.0]
  AIMS-EREAは、マテリアルサイエンス理論のベストをジェネレーティブAIのパワーと組み合わせる新しいフレームワークです。 これはまた、有害な残留物や反応の副産物の生成の可能性を排除するのに役立つ。
  論文  参考訳（メタデータ） (2023-11-18T12:35:45Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)

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。