論文の概要: Machine Learning based prediction of noncentrosymmetric crystal
materials
- arxiv url: http://arxiv.org/abs/2002.11295v2
- Date: Sun, 12 Apr 2020 00:22:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 15:45:25.775611
- Title: Machine Learning based prediction of noncentrosymmetric crystal
materials
- Title(参考訳): 非中心対称結晶材料の機械学習による予測
- Authors: Yuqi Song, Joseph Lindsay, Yong Zhao, Alireza Nasiri, Steph-Yves
Louis, Jie Ling, Ming Hu, Jianjun Hu
- Abstract要約: 非セントロ対称材料は、レーザー技術、通信システム、量子コンピューティング、サイバーセキュリティなど、多くの重要な応用において重要な役割を果たしている。
ここでは、ポテンシャル構造の合成が中心対称であるか否かを予測できる機械学習モデルを提案する。
- 参考スコア(独自算出の注目度): 5.306550557279263
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Noncentrosymmetric materials play a critical role in many important
applications such as laser technology, communication systems,quantum computing,
cybersecurity, and etc. However, the experimental discovery of new
noncentrosymmetric materials is extremely difficult. Here we present a machine
learning model that could predict whether the composition of a potential
crystalline structure would be centrosymmetric or not. By evaluating a diverse
set of composition features calculated using matminer featurizer package
coupled with different machine learning algorithms, we find that Random Forest
Classifiers give the best performance for noncentrosymmetric material
prediction, reaching an accuracy of 84.8% when evaluated with 10 fold
cross-validation on the dataset with 82,506 samples extracted from Materials
Project. A random forest model trained with materials with only 3 elements
gives even higher accuracy of 86.9%. We apply our ML model to screen potential
noncentrosymmetric materials from 2,000,000 hypothetical materials generated by
our inverse design engine and report the top 20 candidate noncentrosymmetric
materials with 2 to 4 elements and top 20 borate candidates
- Abstract(参考訳): 非中心対称材料は、レーザー技術、通信システム、量子コンピューティング、サイバーセキュリティなど、多くの重要な応用において重要な役割を果たす。
しかし、新しい非中心対称材料の実験的発見は極めて困難である。
ここでは、ポテンシャル結晶構造の組成が中心対称であるか否かを予測できる機械学習モデルを提案する。
異なる機械学習アルゴリズムを結合したmatminer featurizerパッケージを用いて計算された多種多様な構成特徴を評価した結果、ランダムフォレスト分類器は非中心対称な材料予測に最適な性能を与え、材料プロジェクトから抽出したサンプル82,506でデータセット上で10倍のクロスバリデーションで評価すると、84.8%の精度に達することがわかった。
3つの要素しか持たない材料で訓練されたランダム森林モデルは86.9%の精度を持つ。
MLモデルを用いて, 逆設計エンジンが生成する2000,000個の仮説材料から, 潜在非セントロ対称材料をスクリーニングし, 上位20個の候補非セントロ対称材料に2~4個の要素と上位20個のボレート候補を報告する。
関連論文リスト
- SciQu: Accelerating Materials Properties Prediction with Automated Literature Mining for Self-Driving Laboratories [0.7673339435080445]
特定の属性を予測するために異なる材料特性を評価することは、材料科学に基づく応用の基本的な要件である。
本研究は,機械学習を利用して材料特性を高精度かつ効率的に解析することにより,これらの課題に対処する。
データ抽出を自動化し、抽出した情報を用いて機械学習モデルを訓練することにより、開発したSciQuは材料特性を最適化する。
論文 参考訳(メタデータ) (2024-07-11T08:12:46Z) - Data-freeWeight Compress and Denoise for Large Language Models [101.53420111286952]
パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。
キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
論文 参考訳(メタデータ) (2024-02-26T05:51:47Z) - Towards Symmetry-Aware Generation of Periodic Materials [64.21777911715267]
本稿では,周期構造体の物理対称性を捉える新しい物質生成手法であるSyMatを提案する。
SyMatは、変分オートエンコーダモデルを用いて、原子タイプセット、格子長、格子角を生成することによって、材料の原子タイプと格子を生成する。
我々は,SyMatが材料上のすべての対称性変換に理論的に不変であることを示し,SyMatがランダム生成および特性最適化タスクにおいて有望な性能を達成することを示す。
論文 参考訳(メタデータ) (2023-07-06T01:05:34Z) - QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。
現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文 参考訳(メタデータ) (2023-06-15T23:39:07Z) - Data-driven multi-scale modeling and robust optimization of composite
structure with uncertainty quantification [0.42581756453559755]
この章では、先進的なデータ駆動手法を示し、先進的な複合材料をマルチスケールでモデリングするために開発・追加する能力について概説する。
代理モデル/エミュレータによって駆動される有限要素法(FEM)シミュレーションに基づく複合構造物のマルチスケールモデリング手法を提案する。
論文 参考訳(メタデータ) (2022-10-13T16:40:11Z) - Machine-learning accelerated identification of exfoliable
two-dimensional materials [0.0]
2次元(2D)材料は、様々な特性を持つため、最近の研究の中心となっている。
バルク3次元(3D)材料が弱い結合エネルギーで保持された層によって形成される場合、正確かつ効率的に識別できることが重要である。
我々は、高速な幾何学的スクリーニングと組み合わせて、潜在的に剥離可能な材料を効率的に識別できる機械学習(ML)アプローチを開発した。
論文 参考訳(メタデータ) (2022-07-18T14:48:53Z) - Prediction of Large Magnetic Moment Materials With Graph Neural Networks
and Random Forests [0.0]
強磁性材料の無機結晶構造データベースを走査するために,最先端の機械学習手法を用いる。
ランダムな森林では,化学組成と結晶構造に基づいて100近い関連する記述子を選択する手法を用いる。
我々は、大きな磁気モーメントを持ち、まだ実験的に研究されていない15の物質を発見した。
論文 参考訳(メタデータ) (2021-11-29T17:09:37Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳(メタデータ) (2021-10-26T07:02:14Z) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳(メタデータ) (2021-02-02T09:34:34Z) - Machine learning with persistent homology and chemical word embeddings
improves prediction accuracy and interpretability in metal-organic frameworks [0.07874708385247352]
材料の構造と化学の複雑な表現をキャプチャする記述子を自動的に生成するエンド・ツー・エンドの機械学習モデルを提案する。
物質系から直接、幾何学的および化学的情報をカプセル化する。
提案手法は, 対象物間での精度, 転送可能性の両面において, 一般的に用いられている手作業による特徴量から構築したモデルに比べ, かなり改善されている。
論文 参考訳(メタデータ) (2020-10-01T16:31:46Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳(メタデータ) (2020-06-13T17:28:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。