元素のセマンティック埋め込みによる材料推論・発見の強化

要旨: 元素の普遍的な意味埋め込み（semantic embeddings）を生成するための枠組みを提示し、材料の推論と発見を前進させます。この枠組みでは、合金関連の科学論文1.29百万件の要旨で学習した、ドメイン特化のBERTベースの自然言語処理モデルであるElementBERTを活用し、合金に特有な潜在的知識と文脈的な関係性を捉えます。これらの意味埋め込みは、強固な元素記述子として機能し、複数の下流タスクにおいて大幅な改善を伴いながら、従来の経験的記述子を一貫して上回ります。対象には、機械的および相変態特性の予測、相構造の分類、ベイズ最適化による材料特性の最適化が含まれます。チタン合金、高エントロピー合金、形状記憶合金への適用では、予測精度が最大23%向上することが示されています。結果として、ElementBERTは、専門化された合金知識を符号化することで、汎用目的のBERT派生モデルを上回ります。科学文献から得られる文脈的な洞察と定量的推論を橋渡しすることで、本枠組みは先進材料の発見と最適化を加速し、合金以外の他の材料クラスにも応用が広がる可能性があります。