抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ネットワークベースの機械学習(ML)アーキテクチャにおける物理的原理の導入は,材料科学と凝縮物質物理学のための人工知能の継続的な発展に向けた基本的なステップである。本研究では,Pauling則に触発されたように,無機結晶中の構造モチーフ(カチオンと周囲のアニオンにより形成される多面体)が,結晶無機材料のための機械学習フレームワークへの中心入力として役立ち得ることを提案する。例として金属酸化物を取り上げ,教師なし学習アルゴリズムMotif2Vecは,構造モチーフの存在および大きな結晶化合物集合におけるそれらの結合をユニークなベクター表現に変換することができることを実証した。複雑な材料間の接続は,異なる構造モチーフの存在により主に決定され,それらのクラスタ化情報はMotif2Vecアルゴリズムによって同定される。構造モチーフ情報の新しい使用を実証するために,モチーフ中心学習フレームワークを,原子モチーフ二重グラフネットワーク(AMDNet)を形成するために,最近開発した原子ベースグラフニューラルネットワークとモチーフ情報を結合することにより効果的に作成できることを示した。原子とモチーフレベルの両方に関するノードとエッジ情報を利用して,AMDNetはバンドギャップのような金属酸化物の電子構造関連材料特性の予測において原子グラフネットワークより正確である。本研究は,超原子物理原理を組み込むことにより,複雑な材料特性のためのグラフニューラルネットワーク学習アーキテクチャの基本設計に向けた経路を説明した。【JST・京大機械翻訳】