| Item type |
Trans(1) |
| 公開日 |
2020-07-16 |
| タイトル |
|
|
タイトル |
深層学習を用いた新物質探索に関するサーベイ |
| タイトル |
|
|
言語 |
en |
|
タイトル |
A Survey on Material Discovery by Deep Neural Networks |
| 言語 |
|
|
言語 |
jpn |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
[サーベイ論文] マテリアルズインフォマティクス，ケモインフォマティクス，深層学習 |
| 資源タイプ |
|
|
資源タイプ識別子 |
http://purl.org/coar/resource_type/c_6501 |
|
資源タイプ |
journal article |
| 著者所属 |
|
|
|
大阪大学大学院情報科学研究科 |
| 著者所属 |
|
|
|
大阪大学大学院情報科学研究科 |
| 著者所属 |
|
|
|
総合研究大学院大学高エネルギー加速器科学研究科 |
| 著者所属(英) |
|
|
|
en |
|
|
Graduate School of Information Science and Technology, Osaka university |
| 著者所属(英) |
|
|
|
en |
|
|
Graduate School of Information Science and Technology, Osaka university |
| 著者所属(英) |
|
|
|
en |
|
|
School of High Energy Accelerator Science, SOKENDAI (The Graduate University for Advanced Studies) |
| 著者名 |
奥野, 智也
佐々木, 勇和
鈴木, 雄太
|
| 著者名(英) |
Tomoya, Okuno
Yuya, Sasaki
Yuta, Suzuki
|
| 論文抄録 |
|
|
内容記述タイプ |
Other |
|
内容記述 |
所望の物理化学的な性質を持つ新たな物質の探索は化学，創薬，物質・材料科学などの分野において重要な課題である．従来のアプローチは研究者の勘や経験に大きく依存し，また時間的なコストが高いという問題がある．そのため，探索の効率化を目的として，機械学習やデータマイニングなどの情報科学の技術を取り入れた研究がさかんに行われている．近年では深層学習技術を用いた高精度化が進んでいる．そこで，本稿では新物質探索における深層学習技術を網羅的に調査し体系的にまとめることを目的とする．新物質の探索技術を(1)物質構造からその性質を識別する分類と回帰技術，および(2)性質から物質を導出する生成技術に大別し，それぞれの技術の適用分野，データの分類，および深層学習のモデルについて述べる．さらに，既存技術の制約や問題点を述べ，今後の課題を明確にする． |
| 論文抄録(英) |
|
|
内容記述タイプ |
Other |
|
内容記述 |
The discovery of new materials with desired physicochemical properties is an important task in several fields such as chemistry, drug discovery, and materials science. A conventional approach depends on intuition and experience of researchers. The problem of conventional approach is very time-consuming. Therefore, for improving the efficiency of the exploration, it is actively addressed to apply informatics technology such as machine learning and data mining to material discovery. Recent developments of deep learning achieve high performance compared with conventional techniques. In this paper, we comprehensively survey deep learning techniques for material discovery and systematically summarize them. The techniques are categorized into two parts (1) classification and regression that predict properties from material structures and (2) generation that derives the materials from the property. We review application fields, data representation, and deep learning models. Finally, we discuss the constraints and problems of the existing techniques, and we clarify future challenges. |
| 書誌レコードID |
|
|
収録物識別子タイプ |
NCID |
|
収録物識別子 |
AA11464847 |
| 書誌情報 |
情報処理学会論文誌データベース（TOD）
巻 13,
号 3,
p. 22-31,
発行日 2020-07-16
|
| ISSN |
|
|
収録物識別子タイプ |
ISSN |
|
収録物識別子 |
1882-7799 |
| 出版者 |
|
|
言語 |
ja |
|
出版者 |
情報処理学会 |
IPSJ-TOD1303008.pdf (691.2 kB)
