Materials Discovery Using Uncertainty-Aware Constrained Bayesian Optimization With Representation Learning of High-Dimensional Inputs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract High-dimensional structure and composition spaces pose a fundamental challenge in materials discovery due to the lack of efficient approaches for navigating the vast and complex design space. Although machine learning (ML) has aided materials discovery, most existing ML models lack the ability to quantify epistemic uncertainty arising from limited data. Developing this capability is particularly challenging for tasks involving high-dimensional design representations, such as atomic structures. In this study, building on the Bayesian optimization (BO) framework, we propose an uncertainty-aware atomistic machine learning model, uncertainty-aware PointNet, which enables automated representation learning directly from high-dimensional design inputs, such as atomic structures, and achieves principled uncertainty quantification through the use of spectral-normalized neural Gaussian process. By utilizing a constrained expected improvement acquisition function, our BO framework simultaneously considers multiple design criteria. We demonstrate the effectiveness of our approach in two materials discovery case studies: (1) identifying catalysts for the carbon dioxide reduction reaction and (2) designing transparent conducting materials. The results show that our approach achieves high prediction accuracy, facilitates interpretable feature extraction, and enables multicriteria material design using constrained BO, leading to a significant reduction of computing power and time (a 10× reduction in required simulation calculations). Beyond the demonstration examples, the developed method can accelerate materials discovery for various other applications with high-dimensional design inputs and expensive physics-based simulations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle