MARC

 008260126s2025        us                              c    eng  d
■001000017358491
■00520260202104709
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291555255
■035    ▼a(MiAaPQ)AAI32118065
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620.11
■1001  ▼aHart,  Matthew  R.
■24510▼aDevelopment  of  Intelligent  Systems  for  Organic  Materials  Engineering
■260    ▼a[Sl]▼bThe  University  of  North  Carolina  at  Chapel  Hill▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a146  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Tropsha,  Alexander.
■5021  ▼aThesis  (Ph.D.)--The  University  of  North  Carolina  at  Chapel  Hill,  2025.
■520    ▼aThe  accelerated  availability  of  data  to  21st  century  chemists  has  created  unprecedented  opportunities  and  two  fundamental  challenges  for  the  chemical  discovery  process.  The  first  challenge  is  that  the  number  of  potentially  synthesizable  organic  molecules  is  so  large  that  uncovering  complete  structure  property  relationships  is  infeasible.  The  second  challenge  is  that,  as  scientists  explore  this  chemical  space,  they  produce  equally  large  amounts  of  experimental,  computational,  and  verbal  data  that  is  difficult  to  manage  and  integrate.  While  the  methods  for  addressing  these  challenges  have  historically  remained  separated,  this  thesis  presents  computational  and  conceptual  frameworks  for  navigating  these  challenges  simultaneously  through  a  combination  of  data  curation,  machine  learning,  and  knowledge  representation  and  reasoning.  Here  is  presented  a  general  purpose  data  curation  pipeline  for  organic  materials  informatics  and  a  demonstration  of  its  utility  through  the  production  of  polymer  and  dye  databases.  This  foundation  is  then  used  to  develop  machine  learning  models  for  chemical  use  case  predictions  in  a  departure  from  the  traditional  property  based  modeling  paradigm.  Finally,  ontology-guided  systems  and  structured  knowledge    are  leveraged  to  improve  reasoning  and  accuracy  in  large  language  models,  enabling  more  interpretable  and  reliable  question  answering  in  chemistry.  Taken  together,  these  individual  contributions  form  the  basis  of  intelligent  systems  that  integrate  data,  knowledge,  and  reasoning  into  unified  discovery  workflows  that  can  accelerate  the  discovery  and  production  of  organic  materials.
■590    ▼aSchool  code:  0153.
■650  4▼aMaterials  science
■650  4▼aEngineering
■650  4▼aComputational  chemistry
■653    ▼aCheminformatics
■653    ▼aData  curation
■653    ▼aKnowledge  engineering
■653    ▼aMachine  learning
■653    ▼aMaterials  informatics
■653    ▼aOntologies
■690    ▼a0794
■690    ▼a0800
■690    ▼a0537
■690    ▼a0219
■71020▼aThe  University  of  North  Carolina  at  Chapel  Hill▼bMaterials  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0153
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358491▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서