ترجمه فارسی مقاله مدل‌سازی فرآیندهای علمی چند مرحله‌ای با شبکه‌های تبدیل‌کننده گراف

چکیده

This work presents the use of graph learning for the prediction of multi-step experimental outcomes for applications across experimental research, including material science, chemistry, and biology. The viability of geometric learning for regression tasks was benchmarked against a collection of linear models through a combination of simulated and real-world data training studies. First, a selection of five arbitrarily designed multi-step surrogate functions were developed to reflect various features commonly found within experimental processes. A graph transformer network outperformed all tested linear models in scenarios that featured hidden interactions between process steps and sequence dependent features, while retaining equivalent performance in sequence agnostic scenarios. Then, a similar comparison was applied to real-world literature data on algorithm guided colloidal atomic layer deposition. Using the complete reaction sequence as training data, the graph neural network outperformed all linear models in predicting the three spectral properties for most training set sizes. Further implementation of graph neural networks and geometric representation of scientific processes for the prediction of experiment outcomes could lead to algorithm driven navigation of higher dimension parameter spaces and efficient exploration of more dynamic systems.

چکیده به فارسی (ترجمه ماشینی)

این کار استفاده از یادگیری نمودار را برای پیش بینی نتایج تجربی چند مرحله ای برای برنامه های کاربردی در تحقیقات تجربی ، از جمله علوم مواد ، شیمی و زیست شناسی ارائه می دهد.زنده ماندن یادگیری هندسی برای کارهای رگرسیون در برابر مجموعه ای از مدل های خطی از طریق ترکیبی از مطالعات آموزش داده های شبیه سازی شده و واقعی در دنیای واقعی معیار شد.اول ، مجموعه ای از پنج عملکرد جانشین چند مرحله ای طراحی شده خودسرانه برای بازتاب ویژگی های مختلفی که معمولاً در فرآیندهای آزمایشی یافت می شود ، تدوین شد.یک شبکه ترانسفورماتور نمودار از تمام مدلهای خطی آزمایش شده در سناریوهایی که تعامل پنهان بین مراحل فرآیند و ویژگی های وابسته به دنباله را نشان می دهد ، بهتر عمل می کند ، در حالی که عملکرد معادل را در سناریوهای آگنوستیک توالی حفظ می کند.سپس ، مقایسه مشابهی با داده های ادبیات در دنیای واقعی در مورد الگوریتم هدایت لایه اتمی کلوئیدی هدایت شد.با استفاده از توالی واکنش کامل به عنوان داده های آموزشی ، شبکه عصبی نمودار از تمام مدلهای خطی در پیش بینی سه ویژگی طیفی برای اکثر اندازه های مجموعه آموزش استفاده می کند.اجرای بیشتر شبکه های عصبی نمودار و نمایش هندسی فرآیندهای علمی برای پیش بینی نتایج آزمایش می تواند منجر به ناوبری محور الگوریتم از فضاهای پارامتر ابعاد بالاتر و اکتشاف کارآمد سیستم های پویاتر شود.