文献

J-GLOBAL ID：202002256519823466   整理番号：20A0385897

機械学習は異常な材料を見つけることができるか【JST・京大機械翻訳】

Can machine learning find extraordinary materials?

著者 (4件)： Kauwe Steven K. (Materials Science & Engineering, University of Utah, Salt Lake City, UT 84112, United States) ,  Graser Jake (Materials Science & Engineering, University of Utah, Salt Lake City, UT 84112, United States) ,  Murdock Ryan (Materials Science & Engineering, University of Utah, Salt Lake City, UT 84112, United States) ,  Sparks Taylor D. (Materials Science & Engineering, University of Utah, Salt Lake City, UT 84112, United States)
資料名： Computational Materials Science  (Computational Materials Science)
巻： 174  ページ： Null  発行年： 2020年 
JST資料番号： W0443A  ISSN： 0927-0256  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 機械学習の最も一般的な批判の一つは,訓練データセットに存在するものを超えた特性を持つ異常な材料を同定するためのモデルに対する仮定不能である。これが実際に,この研究では,機械学習が以前に見られた値を超えて拡張する性質を持つ材料を予測できるかどうかを調べるために,密度関数理論計算特性(体積弾性率,せん断弾性率,熱伝導率,熱膨張,バンドギャップ,Debye温度)を利用した。著者らはこれらの材料を異常と呼び,それらが利用可能なデータセットにおける値のトップ1%を表すことを意味する。興味あることに,機械学習が底部99%の割合で訓練されている場合でも,一般的に0.5以上の精度を持つすべての考慮された特性に対して,最高の実行組成の34を一貫して同定できることを示した。著者らは,外挿距離が,ギャップの導入,特定の要素の除去,および特定の構造タイプの除去を含む様々な方法で増加するので,モデル性能を調査する。さらに,著者らは,いくつかの異なるモデリング選択を調査し,分類アプローチが,回帰アプローチよりも有意に少ない偽陽性を持つが,同等の量の異常な化合物を同定できる方法を実証した。最後に,新しい記録破壊材料を発見するために,このようなアプローチを実行する際の注意と可能性のある限界について議論する。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 剛性率 ,  白化 ,  *機械学習 ,  熱膨張 ,  Debye温度 ,  外挿法 ,  密度汎関数法 ,  バンドギャップ ,  熱伝導率 ,  スクリーニング
準シソーラス用語： 体積弾性率 ,  訓練データ , 【Automatic Indexing@JST】

著者キーワード (8件)： 機械学習 ,  外挿 ,  材料発見 ,  化学的白化 ,  材料スクリーニング ,  ハイスループットスクリーニング ,  回帰 ,  分類

分類 (3件)： 絶縁体結晶の電子構造  (BM02070Y) ,  その他の無機化合物の磁性  (BM06060P) ,  強化プラスチックの成形  (YH04060J)

タイトルに関連する用語 (1件)： 機械学習