論文の概要: Property Prediction of Stacked Bilayer Materials: A Multimodal Learning Approach

• arxiv url: http://arxiv.org/abs/2606.01012v1
• Date: Sun, 31 May 2026 05:04:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.068956
• Title: Property Prediction of Stacked Bilayer Materials: A Multimodal Learning Approach
• Title（参考訳）: 積層二層膜の特性予測:マルチモーダル学習手法
• Authors: An Vuong, Minh-Hao Van, Chen Zhao, Xintao Wu,
• Abstract要約: 二層型2次元材料積み重ねは、新しい機能と固有の現象を持つ新しい材料を探索するために欠かせない。 本稿では,新しい機能や複数の機能を実現する異種材料間の相互作用を研究するための,新しいマルチモーダル学習手法を提案する。
• 参考スコア（独自算出の注目度）: 22.965734443330707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI for materials science is a critical topic within AI for science, aiming to accelerate materials discovery and produce accurate property predictions. Bilayer 2D material stacking is essential for exploring new materials with novel functions and inherent phenomena, enabling the creation of new 2D bilayers for diverse real-world applications. Research on bilayer vdWs materials has made significant progress from experimental and computational perspectives. Various bilayer materials have been successfully synthe sized experimentally and the increasing utilization of high-throughput computing technology has con structed several computational two-dimensional materials databases. However, the use of AI to model bilayer stacking and predict new properties remains underexplored, necessitating further research studies. In this work, we propose a novel multimodal learning approach to study the interfaces between dissimilar materials that jointly enable new or multiple functions, and to predict new properties arising from the vertical integration (stacking) of different functional material layers under given configurations. Comprehensive experiments demonstrate the effectiveness and efficiency of our approach compared to baseline methods. Our code is available at https://github.com/AnVuong123/bimat ml.
• Abstract（参考訳）: 材料科学のためのAIは、材料発見を加速し、正確な特性予測を作成することを目的として、科学のためのAIにおいて重要なトピックである。 2次元材料積み重ねは、新しい機能と固有の現象を持つ新しい材料を探索するために不可欠であり、多様な実世界の用途に新しい2次元材料を創出することができる。 二層型vdWs材料の研究は、実験と計算の観点から大きな進歩を遂げた。 様々な2層材料を実験的に合成し、高スループットコンピューティング技術の活用が進み、いくつかの計算2次元材料データベースが構築されている。 しかし、二層積み重ねをモデル化し、新しい性質を予測するためにAIを用いることは、まだ探索が過小評価されており、さらなる研究が必要である。 そこで本研究では,新しい機能と複数の機能を実現する異種材料間のインターフェースを探索し,所定の構成下での異なる機能材料層の垂直結合(スタックング)から生じる新しい特性を予測するための,新しいマルチモーダル学習手法を提案する。 総合的な実験により,本手法の有効性と有効性を示した。 私たちのコードはhttps://github.com/AnVuong123/bimat mlで利用可能です。

関連論文リスト

• OmniMatBench: A Human-Calibrated Multimodal Reasoning Benchmark Across 19 Materials Science Subfields [61.92908843275242]
  材料科学のためのマルチモーダル推論ベンチマークであるOmniMatBenchを紹介する。 我々は13のオープンソースおよびクローズドソースMLLMを評価し、最良のモデルが0.372の総合スコアを達成することを発見した。
  論文  参考訳（メタデータ） (2026-05-28T12:12:27Z)
• Towards Agentic Intelligence for Materials Science [73.4576385477731]
  この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。 コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
  論文  参考訳（メタデータ） (2026-01-29T23:48:43Z)
• 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)
• Materials Generation in the Era of Artificial Intelligence: A Comprehensive Survey [54.40267149907223]
  材料は現代社会の基礎であり、エネルギー、エレクトロニクス、医療、交通、インフラの進歩を支えている。 高度に調整された特性を持つ新しい材料を発見・設計する能力は、世界的課題の解決に不可欠である。 データ駆動生成モデルは、事前定義された特性要件を満たす新しい材料を直接作成することによって、材料設計のための強力なツールを提供する。
  論文  参考訳（メタデータ） (2025-05-22T08:33:21Z)
• DARWIN 1.5: Large Language Models as Materials Science Adapted Learners [46.7259033847682]
  DARWIN 1.5は,材料科学に適したオープンソースの大規模言語モデルである。 DARWINはタスク固有の記述子の必要性を排除し、材料特性の予測と発見に対する柔軟な統一的なアプローチを可能にする。 提案手法は,6Mの物質ドメイン論文と49,256の物質から得られた21の実験データセットを統合し,タスク間の知識伝達を可能にする。
  論文  参考訳（メタデータ） (2024-12-16T16:51:27Z)
• Foundation Model for Composite Microstructures: Reconstruction, Stiffness, and Nonlinear Behavior Prediction [0.0]
  短繊維複合画像の大規模コーパスで事前学習した自己教師型視覚変換器であるMaterial Masked Autoencoder (MMAE) について述べる。 i) 制限データの微調整による均質化剛性成分の予測, (ii) MMAEと相互作用に基づく物質ネットワークを結合することで物理的に解釈可能なパラメータを推定する。
  論文  参考訳（メタデータ） (2024-11-10T19:06:25Z)
• Multimodal Foundation Models for Material Property Prediction and Discovery [7.167520424757711]
  材料の基礎モデルの自己教師型マルチモーダルトレーニングを可能にするマルチモーダル・ラーニング・フォー・マテリアル(MultiMat)を紹介した。 複数の軸上のMaterial Projectデータベースからのデータを用いて,MultiMatの可能性を示す。
  論文  参考訳（メタデータ） (2023-11-30T18:35:29Z)

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。