論文の概要: Supervised deep learning prediction of the formation enthalpy of the
full set of configurations in complex phases: the $\sigma-$phase as an
example
- arxiv url: http://arxiv.org/abs/2011.10883v1
- Date: Sat, 21 Nov 2020 22:07:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 23:44:01.586316
- Title: Supervised deep learning prediction of the formation enthalpy of the
full set of configurations in complex phases: the $\sigma-$phase as an
example
- Title（参考訳）: 複雑な位相における構成の完全な集合形成エンタルピーの教師付き深層学習予測:$\sigma-$phaseを例に
- Authors: Jean-Claude Crivello, Nataliya Sokolovska, Jean-Marc Joubert
- Abstract要約: 固体化学におけるいくつかの特性の予測に機械学習をどのように利用できるかを示す。
特に、与えられた複雑な結晶相の形成熱を予測するのに使用できる。
- 参考スコア（独自算出の注目度）: 1.8369974607582582
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) methods are becoming integral to scientific inquiry in
numerous disciplines, such as material sciences. In this manuscript, we
demonstrate how ML can be used to predict several properties in solid-state
chemistry, in particular the heat of formation of a given complex
crystallographic phase (here the $\sigma-$phase, $tP30$, $D8_{b}$). Based on an
independent and unprecedented large first principles dataset containing about
10,000 $\sigma-$compounds with $n=14$ different elements, we used a supervised
learning approach, to predict all the $\sim$500,000 possible configurations
within a mean absolute error of 23 meV/at ($\sim$2 kJ.mol$^{-1}$) on the heat
of formation and $\sim$0.06 Ang. on the tetragonal cell parameters. We showed
that neural network regression algorithms provide a significant improvement in
accuracy of the predicted output compared to traditional regression techniques.
Adding descriptors having physical nature (atomic radius, number of valence
electrons) improves the learning precision. Based on our analysis, the training
database composed of the only binary-compositions plays a major role in
predicting the higher degree system configurations. Our result opens a broad
avenue to efficient high-throughput investigations of the combinatorial binary
calculation for multicomponent prediction of a complex phase.
- Abstract（参考訳）: 機械学習(ML)手法は、物質科学などの多くの分野における科学的調査に不可欠なものになりつつある。
この写本では、MLが固体化学のいくつかの性質、特に与えられた複素結晶相の形成の熱を予測するためにどのように使用できるかを示す(以下、$\sigma-$phase, $tP30$, $D8_{b}$)。
独立で前例のない大規模なfirst principlesデータセットで、約10,000ドルの$n=14$の異なる要素を含む$\sigma-$compoundsを含む。我々は、形成熱と$\sim$0.06 angで平均絶対エラー23 mev/at ($2 kj.mol$^{-1}$) 内の$\sim$5000,000の可能な構成を予測するために教師付き学習アプローチを用いた。
四角形細胞パラメータについて
ニューラルネットワーク回帰アルゴリズムは従来の回帰手法と比較して予測出力の精度を大幅に向上することを示した。
物理的性質(原子半径、価電子の数)を持つ記述子を追加することで、学習精度が向上する。
この分析に基づいて,バイナリコンポジションのみからなるトレーニングデータベースは,システム構成の高度化を予測する上で重要な役割を果たす。
その結果,複合相の多成分予測のための組合せ二元計算の効率的な高スループット化への道が開けた。
関連論文リスト
- Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。
我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
論文 参考訳（メタデータ） (2024-03-08T18:50:19Z) - Emulating the interstellar medium chemistry with neural operators [0.0]
銀河の形成と進化は、星間物質(ISM)の進化と熱力学を管理する複雑な光化学過程の理解に依存している
本稿では,ニューラル演算子に基づく高速で訓練済みのエミュレータを用いた手続き型解決器の置換を目指す。
我々は、DeepONet形式を採用することにより、H$(9種、52反応)までの非平衡化学ネットワークをエミュレートする。
単一ゾーンモデルに対して$textttKROME$で得られる参照解と比較すると、得られた典型的な精度は10-2$である。
論文 参考訳（メタデータ） (2024-02-19T19:00:01Z) - Molecular Design Based on Integer Programming and Splitting Data Sets by
Hyperplanes [6.504869613326338]
化学物質の分子構造を所望の化学的性質で設計するための枠組みを提案する。
提案フレームワークは,混合整数線形プログラム (MILP) と機械学習によって構築された予測関数を解くことで,所望の化学グラフを推定する。
計算実験の結果,提案手法は,優れた予測関数の構築が困難であったいくつかの化学特性の学習性能を向上させることが示唆された。
論文 参考訳（メタデータ） (2023-04-27T04:18:41Z) - Deep Learning Symmetries and Their Lie Groups, Algebras, and Subalgebras
from First Principles [55.41644538483948]
ラベル付きデータセットに存在する連続した対称性群の検出と同定のためのディープラーニングアルゴリズムを設計する。
完全に接続されたニューラルネットワークを用いて、変換対称性と対応するジェネレータをモデル化する。
また,Lie群とその性質の数学的研究に機械学習アプローチを使うための扉を開く。
論文 参考訳（メタデータ） (2023-01-13T16:25:25Z) - Studying chirality imbalance with quantum algorithms [62.997667081978825]
我々は(1+1)次元ナムブ・ジョナ・ラシニオ(NJL)モデルを用いて、強相互作用物質のキラル相構造とキラル電荷密度を研究する。
量子想像時間進化法 (QITE) を用いて, 格子上の (1+1) 次元NJLモデルを温度$T$, 化学ポテンシャル$mu$, $mu_5$でシミュレートする。
論文 参考訳（メタデータ） (2022-10-06T17:12:33Z) - Efficient Chemical Space Exploration Using Active Learning Based on
Marginalized Graph Kernel: an Application for Predicting the Thermodynamic
Properties of Alkanes with Molecular Simulation [10.339394156446982]
分子動力学シミュレーションを用いてデータとグラフニューラルネットワーク(GNN)を生成して予測する。
具体的には、4から19個の炭素原子からなる251,728個のアルカン分子とその液体物性を標的としている。
検証の結果、313個の分子だけが正確なGNNモデルを訓練するのに十分であり、計算テストセットは$rm R2 > 0.99$、実験テストセットは$rm R2 > 0.94$であった。
論文 参考訳（メタデータ） (2022-09-01T14:59:13Z) - Accelerating phase-field-based simulation via machine learning [0.0]
相場モデルは、材料科学、力学、物理学、生物学、化学、工学において一般的なものとなっている。
それらは、大規模で複雑なシステムに適用する場合、計算的に非常にコストがかかるという欠点に悩まされる。
Unetベースの人工ニューラルネットワークは、現在の研究における代理モデルとして開発されている。
論文 参考訳（メタデータ） (2022-05-04T15:22:48Z) - Graph neural networks for fast electron density estimation of molecules,
liquids, and solids [0.0]
a machine learning framework for the prediction of $rho(vecr)$。
このモデルは、複数の分子(QM9)、液体エチレン炭酸塩電解質(EC)、LixNiyMnzCo(1-y-z)O2リチウムイオン電池陰極(NMC)で試験される。
論文 参考訳（メタデータ） (2021-12-01T16:57:31Z) - Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。
ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。
本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
論文 参考訳（メタデータ） (2021-06-06T19:08:53Z) - Tightening the Dependence on Horizon in the Sample Complexity of
Q-Learning [59.71676469100807]
この研究は、同期Q-ラーニングのサンプルの複雑さを、任意の$0varepsilon 1$に対して$frac|mathcalS| (1-gamma)4varepsilon2$の順序に絞る。
計算やストレージを余分に必要とせずに、高速なq-learningにマッチするvanilla q-learningの有効性を明らかにした。
論文 参考訳（メタデータ） (2021-02-12T14:22:05Z) - A Random Matrix Analysis of Random Fourier Features: Beyond the Gaussian
Kernel, a Precise Phase Transition, and the Corresponding Double Descent [85.77233010209368]
本稿では、データサンプルの数が$n$である現実的な環境で、ランダムフーリエ(RFF)回帰の正確さを特徴付けます。
この分析はまた、大きな$n,p,N$のトレーニングとテスト回帰エラーの正確な推定も提供する。
論文 参考訳（メタデータ） (2020-06-09T02:05:40Z)
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。