文献

J-GLOBAL ID：202002255168377892   整理番号：20A0634859

逐次学習による材料発見の加速のベンチマーキング【JST・京大機械翻訳】

Benchmarking the acceleration of materials discovery by sequential learning

著者 (8件)： Rohr Brian (Accelerated Materials Design and Discovery, Toyota Research Institute, Los Altos, CA, USA. [e-mail]) ,  Stein Helge S. ,  Guevarra Dan ,  Wang Yu ,  Haber Joel A. ,  Aykol Muratahan ,  Suram Santosh K. ,  Gregoire John M.
資料名： Chemical Science (Web)  (Chemical Science (Web))
巻： 11  号： 10  ページ： 2696-2706  発行年： 2020年 
JST資料番号： U7042A  ISSN： 2041-6539  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 逐次学習(SL)戦略,すなわち,機械学習モデルを反復更新して実験を導くことは,材料発見と研究を著しく加速するために提案されている。計算データセットへの応用と最適化実験の取扱いは,SLの有望性を示し,材料発見を加速する能力の定量的評価,特に物理実験の場合に,その能力の定量的評価を動機づけた。本研究におけるベンチマーキング努力は,研究目標の幅に関するSLアルゴリズムの性能を定量化する:「良い」材料の発見,および新しい材料の性能を正確に予測するモデルの発見。これらの目標に対する異なる機械学習モデルの有効性をベンチマークするために,探索空間における全ての材料の性能が高スループット合成と電気化学実験から知られているデータセットを用いた。各データセットは,6つの元素(化学空間)のセットから全ての擬四元金属酸化物の組み合わせを含み,選択した性能計量は酸素発生反応(OER)に対する電極触媒活性(過電圧)である。SLスキームの多様なセットを,それぞれ2121触媒を含む4つの化学空間上で試験した。本研究は,特定シナリオにおけるランダム取得と比較して,研究が20倍まで加速できることを示唆した。また,結果は,SLモデルの特定の選択が与えられた研究目標に適していないことを示し,ランダム取得法と比較してかなりの減速をもたらす。この結果は,与えられた研究目標のためにSL戦略を調整する方法に関する定量的指針を提供して,材料発見をさらに加速するための新しい世代の材料認識SLアルゴリズムの必要性を実証した。Copyright 2020 Royal Society of Chemistry All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ベンチマーク ,  *アルゴリズム ,  金属酸化物 ,  最適化 ,  機械学習 ,  有効性 ,  過電圧 ,  電気化学
準シソーラス用語： 電極触媒活性 ,  酸素発生反応 ,  ハイスループット ,  探索空間 ,  定量的評価 ,  *ベンチマーキング ,  *逐次学習 , 【Automatic Indexing@JST】

分類 (4件)： その他の高分子の反応  (CG03040H) ,  分子の電子構造  (BH05010Q) ,  高分子固体の力学的性質  (CG02023D) ,  物理化学一般その他  (CB01030T)

タイトルに関連する用語 (4件)： 逐次学習 ,  発見 ,  加速 ,  ベンチマーキング