論文の概要: Born-Qualified: An Autonomous Framework for Deploying Advanced Energy and Electronic Materials

• arxiv url: http://arxiv.org/abs/2605.00639v1
• Date: Fri, 01 May 2026 13:21:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.961097
• Title: Born-Qualified: An Autonomous Framework for Deploying Advanced Energy and Electronic Materials
• Title（参考訳）: Born-Qualified: 高度なエネルギーと電子材料をデプロイするための自律的なフレームワーク
• Authors: Steven R. Spurgeon, Milad Abolhasani, Frederick Baddour, Ryan B. Comes, Vinayak P. Dravid, Hilary Egan, Patrick Emami, Robert W. Epps, Davi M. Fébba, Renae Gannon, E. Ashley Gaulding, Ayana Ghosh, Kenny Gruchalla, Grace Guinan, Taro Hitosugi, Michael Holden, Sergei V. Kalinin, Yangang Liang, John S. Mangum, Matthew J. Olszta, Nathaniel H. Park, Axel Palmstrom, Michelle A. Smeaton, Brooks Tellekamp, Nicholas E. Thornburg, Raymond R. Unocic, Daniela Ushizima, Rama K. Vasudevan, Robert White, Andrew Young, Andriy Zakutayev,
• Abstract要約: 自律開発は、最初から製造可能性、コスト、耐久性の制約を埋め込んでいます。 このビジョンには、持続的でコミュニティ全体のコミットメントが必要ですが、その投資に対する潜在的リターンは、課題の規模と一致しています。
• 参考スコア（独自算出の注目度）: 2.568084337313714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous science is transforming how we discover materials and chemical systems for advanced energy technologies. However, many initially promising systems never reach deployment. This "valley of death" stems from optimization that prioritizes laboratory metrics over industrial viability. We propose a new strategy: "born-qualified" autonomous development, which embeds manufacturability, cost, and durability constraints from the outset. This approach is enabled by four pillars, including the development of multi-objective metrics, causal models, a modular infrastructure, and embedding manufacturing in the discovery loop. Realizing this vision will require sustained, community-wide commitment, but the potential return on that investment is commensurate with the scale of the challenge.
• Abstract（参考訳）: 自律科学は、高度なエネルギー技術のための材料や化学システムを発見する方法を変えつつある。 しかし、当初期待されていた多くのシステムがデプロイに到達しなかった。 この「死の谷」は、産業の生存可能性よりも実験室のメトリクスを優先する最適化に由来する。 当社では,生産性,コスト,耐久性の制約を最初から組み込んだ,"生まれながらの"自律開発"という新たな戦略を提案する。 このアプローチは、多目的メトリクス、因果モデル、モジュラーインフラストラクチャ、発見ループへの組み込み製造など、4つの柱によって実現されている。 このビジョンを実現するには、持続的でコミュニティ全体のコミットメントが必要ですが、その投資に対する潜在的なリターンは、課題の規模と相容れないものです。

関連論文リスト

• Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
  持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。 我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
  論文  参考訳（メタデータ） (2026-03-31T13:29:20Z)
• Sustainable Materials Discovery in the Era of Artificial Intelligence [3.222363676081407]
  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。
  論文  参考訳（メタデータ） (2026-01-29T10:42:44Z)
• Empowering Real-World: A Survey on the Technology, Practice, and Evaluation of LLM-driven Industry Agents [63.03252293761656]
  本稿では,大規模言語モデル(LLM)に基づく産業エージェントの技術,応用,評価手法を体系的にレビューする。 エージェント能力の進歩を支える3つの重要な技術柱として,記憶,計画,ツール利用について検討する。 本稿では,デジタル工学,科学的発見,具体的インテリジェンス,協調ビジネス実行,複雑なシステムシミュレーションといった実世界の領域における産業エージェントの応用の概要について述べる。
  論文  参考訳（メタデータ） (2025-10-20T12:46:55Z)
• 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)
• Generative AI for Autonomous Driving: Frontiers and Opportunities [145.6465312554513]
  この調査は、自律運転スタックにおけるGenAIの役割の包括的合成を提供する。 まず、VAE、GAN、拡散モデル、および大規模言語モデルを含む、現代の生成モデリングの原則とトレードオフを蒸留することから始めます。 我々は、合成データ一般化、エンドツーエンド駆動戦略、高忠実なデジタルツインシステム、スマートトランスポートネットワーク、具体化されたAIへのクロスドメイン転送など、実用的な応用を分類する。
  論文  参考訳（メタデータ） (2025-05-13T17:59:20Z)
• Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
  生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。 この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。 これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。 本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
  論文  参考訳（メタデータ） (2023-11-28T15:09:36Z)

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。