Fugu-MT 論文翻訳(概要): Predicting Elastic Properties of Materials from Electronic Charge Density Using 3D Deep Convolutional Neural Networks

論文の概要: Predicting Elastic Properties of Materials from Electronic Charge Density Using 3D Deep Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2003.13425v2
Date: Sat, 11 Apr 2020 23:58:19 GMT
ステータス: 処理完了
システム内更新日: 2022-12-22 20:38:44.474317
Title: Predicting Elastic Properties of Materials from Electronic Charge Density Using 3D Deep Convolutional Neural Networks
Title（参考訳）: 3次元深部畳み込みニューラルネットワークによる電子電荷密度からの材料の弾性特性予測
Authors: Yong Zhao, Kunpeng Yuan, Yinqiao Liu, Steph-Yves Louis, Ming Hu, and Jianjun Hu
Abstract要約: 本稿では,電子電荷密度(ECD)を材料特性予測のための汎用的な3次元記述子として用いることを提案する。 ECDを用いた3次元畳み込みニューラルネットワーク(CNN)を開発し,材料の弾性特性を予測した。
参考スコア（独自算出の注目度）: 5.249388761037709
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Materials representation plays a key role in machine learning based prediction of materials properties and new materials discovery. Currently both graph and 3D voxel representation methods are based on the heterogeneous elements of the crystal structures. Here, we propose to use electronic charge density (ECD) as a generic unified 3D descriptor for materials property prediction with the advantage of possessing close relation with the physical and chemical properties of materials. We developed an ECD based 3D convolutional neural networks (CNNs) for predicting elastic properties of materials, in which CNNs can learn effective hierarchical features with multiple convolving and pooling operations. Extensive benchmark experiments over 2,170 Fm-3m face-centered-cubic (FCC) materials show that our ECD based CNNs can achieve good performance for elasticity prediction. Especially, our CNN models based on the fusion of elemental Magpie features and ECD descriptors achieved the best 5-fold cross-validation performance. More importantly, we showed that our ECD based CNN models can achieve significantly better extrapolation performance when evaluated over non-redundant datasets where there are few neighbor training samples around test samples. As additional validation, we evaluated the predictive performance of our models on 329 materials of space group Fm-3m by comparing to DFT calculated values, which shows better prediction power of our model for bulk modulus than shear modulus. Due to the unified representation power of ECD, it is expected that our ECD based CNN approach can also be applied to predict other physical and chemical properties of crystalline materials.
Abstract（参考訳）: 材料表現は、材料特性の予測と新しい材料発見に基づく機械学習において重要な役割を果たす。現在、グラフおよび3次元ボクセル表現法は結晶構造の異質な要素に基づいている。本稿では, 電子電荷密度(ECD)を材料物性予測のための汎用的な統一3次元記述子として用いることを提案する。我々は,cnnが複数の畳み込みとプーリング操作で効果的な階層的特徴を学習できる材料弾性特性を予測するために,ecdを用いた3次元畳み込みニューラルネットワーク(cnns)を開発した。 2,170Fm-3mの面中心キュビック(FCC)材料に対する大規模なベンチマーク実験により、ECDベースのCNNは弾力性予測に優れた性能が得られることが示された。特に, 素子Magpie特徴とECD記述子の融合に基づくCNNモデルは, 5倍のクロスバリデーション性能を得た。さらに重要なことは、テストサンプルに隣接するトレーニングサンプルがほとんど存在しない非冗長データセットに対して評価すると、ECDベースのCNNモデルの方が、はるかに優れた補間性能が得られることを示した。さらに, 空間群Fm-3mの329の材料上でのモデルの予測性能をDFT計算値と比較し, せん断率よりもバルク率の予測能力が高いことを示した。 ecdの統一表現力により、ecdベースのcnnアプローチは結晶材料の他の物理的および化学的性質を予測するためにも応用できると期待されている。

関連論文リスト

Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文参考訳（メタデータ） (2024-11-11T09:01:36Z)
Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
論文参考訳（メタデータ） (2024-09-23T17:11:04Z)
Fine-Tuned Language Models Generate Stable Inorganic Materials as Text [57.01994216693825]
テキストエンコードされた原子構造データに基づく微調整された大規模言語モデルは、実装が簡単で信頼性が高い。我々の最強モデルは、CDVAEの約2倍の速度で準安定であると予測された物質を生成することができる。テキストプロンプト固有の柔軟性のため、我々のモデルは安定物質を無条件に生成するために同時に使用することができる。
論文参考訳（メタデータ） (2024-02-06T20:35:28Z)
Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
論文参考訳（メタデータ） (2023-12-08T21:56:19Z)
Band-gap regression with architecture-optimized message-passing neural networks [1.9590152885845324]
AFLOWデータベースからの密度汎関数理論データから材料を金属または半導体/絶縁体として分類するMPNNを訓練する。次に,MPNNのモデル構造とハイパーパラメータ空間を探索し,非金属と同定された材料のバンドギャップを予測する。検索から得られる最高のパフォーマンスモデルはアンサンブルにまとめられ、既存のモデルよりもはるかに優れています。
論文参考訳（メタデータ） (2023-09-12T16:13:10Z)
Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文参考訳（メタデータ） (2022-05-31T22:28:34Z)
Prediction of the electron density of states for crystalline compounds with Atomistic Line Graph Neural Networks (ALIGNN) [0.0]
本稿では、最近開発されたAtomistic Line Graph Neural Network(ALIGNN)を拡張して、大量の材料ユニットセル構造のDOSを正確に予測する。本研究では, 直接離散化スペクトルと, オートエンコーダを用いた圧縮低次元表現の2つの方法を評価する。
論文参考訳（メタデータ） (2022-01-20T18:28:22Z)
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)
BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文参考訳（メタデータ） (2021-06-08T10:14:57Z)
Predicting Material Properties Using a 3D Graph Neural Network with Invariant Local Descriptors [0.4956709222278243]
材料特性を正確に予測することは新しい材料の発見と設計に不可欠である。機械学習の手法の中で、グラフ畳み込みニューラルネットワーク(GCNN)が最も成功したものの一つである。隣接原子間の相互作用を3次元空間で同時にモデル化する,新規な畳み込みを持つ適応型GCNNを提案する。
論文参考訳（メタデータ） (2021-02-16T19:56:54Z)
Orbital Graph Convolutional Neural Network for Material Property Prediction [0.0]
本稿では,結晶グラフ畳み込みニューラルネットワークフレームワークであるOrbital Graph Convolutional Neural Network (OGCNN)を提案する。 OGCNNには、材料特性を堅牢な方法で学習する原子軌道相互作用機能が含まれている。本研究では, このモデルの性能について, 様々な特性を予測するために, 広範囲の結晶材料データを用いて検討した。
論文参考訳（メタデータ） (2020-08-14T15:22:22Z)

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。