文献

J-GLOBAL ID：202202234710703458   整理番号：22A1180439

材料発見と機械学習加速革新のための深層生成モデル【JST・京大機械翻訳】

Deep Generative Models for Materials Discovery and Machine Learning-Accelerated Innovation

著者 (2件)： Fuhr Addis S. (Center for Nanophase Materials Sciences, Oak Ridge National Laboratory, Oak Ridge, TN, United States) ,  Sumpter Bobby G. (Center for Nanophase Materials Sciences, Oak Ridge National Laboratory, Oak Ridge, TN, United States)
資料名： Frontiers in Materials (Web)  (Frontiers in Materials (Web))
巻： 9  ページ： 865270  発行年： 2022年 
JST資料番号： U7077A  ISSN： 2296-8016  資料種別： 逐次刊行物 (A)
記事区分： 文献レビュー  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 機械学習と人工知能(AI/ML)法は,化学と凝縮物質物理学に著しい影響を与える。例えば,深層学習法は,高スループット仮想スクリーニングのための新しい能力と,材料の逆設計のための大域的最適化アプローチを示した。最近,AI/MLの比較的新しい分岐,深い生成モデル(GM)は,それらが潜在空間に材料構造と/または特性をコード化するので,付加的な有望性を提供し,潜在空間の探査と操作は新しい材料を作り出すことができる。これらの手法は材料構造の表現を学習し,材料発見を加速するための対応する化学または物理学を学習し,異なる構造-特性関係による既存材料の統計的および組合せスクリーニングを用いる従来のAI/ML法とは異なる。しかし,無機材料へのGMの応用は,無機構造が,しばしばより複雑であるので,有機分子より特に硬かった。本研究では,GMが無機材料発見を加速できる最近の革新をレビューした。材料構造の異なる表現,変分オートエンコーダまたは生成敵対ネットワークを用いた逆設計戦略への影響に焦点を当て,技術革新に必要な目標特性を有する材料を発見するためのこれらのアプローチの可能性を強調した。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 凝縮 ,  変分法 ,  ネットワーク ,  無機材料 ,  人工知能 ,  有機化合物 ,  *モデル ,  材料 ,  深層 ,  スクリーニング ,  *機械学習
準シソーラス用語： ハイスループット ,  バーチャルスクリーニング ,  *生成モデル ,  構造特性相関 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (8件)： 機械学習 ,  材料発見 ,  逆設計 ,  生成敵対ネットワーク ,  変分オートエンコーダ ,  生成モデル ,  深層学習 ,  人工知能

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (82件)：

• AmarbayasgalanT., JargalsaikhanB., RyuK. (2018). Unsupervised Novelty Detection Using Deep Autoencoders with Density Based Clustering. Appl. Sci. 8 (9), 1468. doi: 10.3390/app8091468
• AveryP., ToherC., CurtaroloS., ZurekE. (2019). XtalOpt Version R12: An Open-Source Evolutionary Algorithm for crystal Structure Prediction. Comput. Phys. Commun. 237, 274-275. doi: 10.1016/j.cpc.2018.11.016
• BasovD. N., AverittR. D., HsiehD. (2017). Towards Properties on Demand in Quantum Materials. Nat. Mater 16 (11), 1077-1088. doi: 10.1038/nmat5017
• BatesJ., DudneyN. J., GruzalskiG. R., ZuhrR. A., ChoudhuryA., LuckC. F., et al (1992). Electrical Properties of Amorphous Lithium Electrolyte Thin Films. Solid State Ionics 53-56, 647-654. doi: 10.1016/0167-2738(92)90442-r
• BianchiF. M., GrattarolaD., LiviL., AlippiC. (2019). Graph Neural Networks with Convolutional ARMA Filters. IEEE Trans. Pattern Anal. Machine Intelligence. arXiv:1901.01343. doi: 10.48550/arXiv.1901.01343

タイトルに関連する用語 (5件)： 発見 ,  機械学習 ,  加速 ,  深層 ,  生成モデル