ترجمه فارسی مقاله طراحی مواد معکوس کارآمد و قابل تفسیر با استفاده از رمزگذار خودکار متغیر جداشده

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Data-efficient and Interpretable Inverse Materials Design using a Disentangled Variational Autoencoder
عنوان مقاله به فارسی طراحی مواد معکوس کارآمد و قابل تفسیر با استفاده از رمزگذار خودکار متغیر جداشده
نویسندگان Cheng Zeng, Zulqarnain Khan, Nathan L. Post
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Materials Science,یادگیری ماشین , علوم مواد ,
توضیحات Submitted 9 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 9 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Inverse materials design has proven successful in accelerating novel material discovery. Many inverse materials design methods use unsupervised learning where a latent space is learned to offer a compact description of materials representations. A latent space learned this way is likely to be entangled, in terms of the target property and other properties of the materials. This makes the inverse design process ambiguous. Here, we present a semi-supervised learning approach based on a disentangled variational autoencoder to learn a probabilistic relationship between features, latent variables and target properties. This approach is data efficient because it combines all labelled and unlabelled data in a coherent manner, and it uses expert-informed prior distributions to improve model robustness even with limited labelled data. It is in essence interpretable, as the learnable target property is disentangled out of the other properties of the materials, and an extra layer of interpretability can be provided by a post-hoc analysis of the classification head of the model. We demonstrate this new approach on an experimental high-entropy alloy dataset with chemical compositions as input and single-phase formation as the single target property. While single property is used in this work, the disentangled model can be extended to customize for inverse design of materials with multiple target properties.

چکیده به فارسی (ترجمه ماشینی)

طراحی مواد معکوس در تسریع در کشف مواد جدید موفق شده است.بسیاری از روشهای طراحی مواد معکوس از یادگیری بدون نظارت استفاده می کنند که در آن یک فضای نهفته آموخته می شود تا توضیحی جمع و جور از بازنمایی مواد ارائه دهد.یک فضای نهفته که به این روش آموخته می شود ، از نظر خاصیت هدف و سایر خصوصیات مواد درگیر است.این باعث می شود روند طراحی معکوس مبهم باشد.در اینجا ، ما یک رویکرد یادگیری نیمه تحت نظارت بر اساس یک اتوآنمان متغیر متمایز برای یادگیری یک رابطه احتمالی بین ویژگی ها ، متغیرهای نهفته و خصوصیات هدف ارائه می دهیم.این روش کارآمد است زیرا تمام داده های دارای برچسب و بدون برچسب را به صورت منسجم ترکیب می کند ، و از توزیع های قبلی آگاه و متخصص برای بهبود استحکام مدل حتی با داده های دارای برچسب محدود استفاده می کند.در اصل قابل تفسیر است ، زیرا خاصیت هدف یادگیری از سایر خصوصیات مواد جدا نمی شود و می توان با تجزیه و تحلیل پس از تعقیب از رئیس طبقه بندی مدل ، یک لایه اضافی از تفسیر ارائه داد.ما این رویکرد جدید را در یک مجموعه داده آلیاژ آنتروپی بالا با ترکیبات شیمیایی به عنوان ورودی و تشکیل تک فاز به عنوان خاصیت هدف واحد نشان می دهیم.در حالی که در این کار از ویژگی های منفرد استفاده می شود ، می توان مدل جدا شده را برای طراحی معکوس از مواد با خصوصیات هدف چندگانه تنظیم کرد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.