文献

J-GLOBAL ID：202202231847154180   整理番号：22A1161881

学習問題:機械学習と原子論的シミュレーションによる材料設計【JST・京大機械翻訳】

Learning Matter: Materials Design with Machine Learning and Atomistic Simulations

著者 (7件)： Axelrod Simon (Department of Chemistry and Chemical Biology, Harvard University, Massachusetts, United States) ,  Axelrod Simon (Department of Materials Science and Engineering, Massachusetts Institute of Technology) ,  Schwalbe-Koda Daniel (Department of Materials Science and Engineering, Massachusetts Institute of Technology) ,  Mohapatra Somesh (Department of Materials Science and Engineering, Massachusetts Institute of Technology) ,  Damewood James (Department of Materials Science and Engineering, Massachusetts Institute of Technology) ,  Greenman Kevin P. (Department of Chemical Engineering, Massachusetts Institute of Technology) ,  Gomez-Bombarelli Rafael (Department of Materials Science and Engineering, Massachusetts Institute of Technology)
資料名： Accounts of Materials Research  (Accounts of Materials Research)
巻： 3  号： 3  ページ： 343-357  発行年： 2022年 
JST資料番号： W6385A  ISSN： 2643-6728  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 健康,エネルギー,および持続可能性における社会的課題の対処には,新しい材料の設計が重要である。物理化学的法則と経験的試行と誤差の組合せは,長い誘導材料設計を有するが,この手法は,実験のコストと複雑な誘導原理を導く困難さによって制限される。考察すべき仮定材料の空間は目立って大きく,可能な化合物の小さな部分だけが実験的に試験できる。原子論的シミュレーションと機械学習(ML)の計算技術は,新しい材料を急速に発明し,この巨大な空間をナビゲートする手段を提供する。まとめると,それらは複雑な設計原理を推論し,試行錯誤実験より迅速に高品質候補を同定するのに使用できる。このアカウントでは,材料設計のためのシミュレーションおよびMLに対する著者らのグループの最近の貢献をレビューした。MLでの使用のための材料の数値表現を考察する。表現は決定論的アルゴリズム,学習可能符号化,または物理ベース法を通して生産でき,ベクトル,グラフ,および行列出力を導く。これらの異なるアプローチがどのように異なる材料および応用特異的利点を提供するかを述べた。小分子薬物,高分子,染料,電解質,およびゼオライトに関する著者ら自身の研究からの実証を提供した。いくつかの場合において,適切な表現が実験材料設計を容易にする指針を導く方法を示す。次に,原子論的シミュレーションを強化するためのML法の開発を強調した。これらの進歩は,シミュレーション精度を改善し,探索できる時間と長さスケールを拡張するのに役立つ。それらは,アンサンブル平均量がシステムパラメータに関して区別される微分可能な原子論的シミュレーション,および挑戦的な物理的分布の強化されたサンプリングのための新規な自己回帰法を含む。他の開発は,全ての原子情報の損失を最小にしながら,分子動力学を加速できる学習可能な粗粒モデルを含み,ML原子間ポテンシャルは,能動学習と敵対的不確実性攻撃を通して,最大限に有益な量子化学データで訓練できる。次に,これらの複合計算進歩が高スループット仮想スクリーニングを可能にした方法を示した。これは,ゼオライト合成,高分子電解質,および標的医学のための効率的な光スイッチのための低コストの有機構造指向剤の発見につながった。MLとシミュレーションの限界を考察することによって結論を下した。これらは,前者の大きなデータ要求と限られた化学伝達性,および後者の速度-精度トレードオフを含む。量子化学の進歩は,さらにシミュレーションを加速するが,物理的原理の組み込みはMLの信頼性を改善するであろうと予測した。Copyright 2022 American Chemical Society All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *シミュレーション ,  ベクトル ,  *学習 ,  信頼性 ,  不確実性 ,  染料 ,  計算 ,  小分子 ,  分子動力学 ,  量子化学 ,  *機械学習 ,  サイバー攻撃
準シソーラス用語： 持続可能性 ,  決定論 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 学習 ,  機械学習 ,  原子論的シミュレーション ,  材料設計