Learning material synthesis-structure-property relationship by data fusion: Bayesian Co-regionalization N-Dimensional Piecewise Function Learning

要約

量子コンピューティング、炭素回収、低コストの医用画像処理などの次世代技術をさらに発展させるには、先端材料が必要です。
しかし、高度な材料発見は 2 つの基本的な課題によって混乱しています。1 つは高次元で複雑な材料探索空間の課題、もう 1 つは知識の結合、つまり機器や研究室間のデータ融合です。
最初の課題を克服するために、研究者は、材料の構造からその機能的特性が予測されることが多く、またその逆も同様であるため、基礎となる材料の合成、構造、特性の関係に関する知識を利用します。
たとえば、最適な材料は、組成と相の境界に沿って、または特定の相領域内で発生することがよくあります。
さらに、合成と構造と特性の関係に関する知識は、基礎となる物理メカニズムを理解するための基礎となります。
ただし、合成構造と特性の関係を定量化するには、2 番目の課題を克服する必要があります。
研究者は、機器、測定方法、さらには研究室全体で収集した知識を統合する必要があります。
合成構造プロパティ関係コア Gionalized lEarner (SAGE) アルゴリズムを紹介します。
マルチモーダルな共同領域化を使用してデータ ソース間の知識をマージし、合成-構造-プロパティの関係を学習する完全なベイジアン アルゴリズム。

要約(オリジナル)

Advanced materials are needed to further next-generation technologies such as quantum computing, carbon capture, and low-cost medical imaging. However, advanced materials discovery is confounded by two fundamental challenges: the challenge of a high-dimensional, complex materials search space and the challenge of combining knowledge, i.e., data fusion across instruments and labs. To overcome the first challenge, researchers employ knowledge of the underlying material synthesis-structure-property relationship, as a material’s structure is often predictive of its functional property and vice versa. For example, optimal materials often occur along composition-phase boundaries or within specific phase regions. Additionally, knowledge of the synthesis-structure-property relationship is fundamental to understanding underlying physical mechanisms. However, quantifying the synthesis-structure-property relationship requires overcoming the second challenge. Researchers must merge knowledge gathered across instruments, measurement modalities, and even laboratories. We present the Synthesis-structure-property relAtionship coreGionalized lEarner (SAGE) algorithm. A fully Bayesian algorithm that uses multimodal coregionalization to merge knowledge across data sources to learn synthesis-structure-property relationships.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google