論文の概要: Computational discovery of new 2D materials using deep learning generative models

• arxiv url: http://arxiv.org/abs/2012.09314v1
• Date: Wed, 16 Dec 2020 23:10:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 03:46:39.708217
• Title: Computational discovery of new 2D materials using deep learning generative models
• Title（参考訳）: 深層学習生成モデルを用いた新しい2次元材料の発見
• Authors: Yuqi Song, Edirisuriya M. Dilanga Siriwardane, Yong Zhao, Jianjun Hu
• Abstract要約: 2次元(2次元)材料は多くの適用の有望な機能材料として現われました。 ランダムな森林ベースの2次元材料と組み合わせた組成生成のためのディープラーニング生成モデルを提案する。 267,489の新しい2D材料組成を発見し、12の2D/多層材料を確認しました。
• 参考スコア（独自算出の注目度）: 6.918364447822299
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Two dimensional (2D) materials have emerged as promising functional materials with many applications such as semiconductors and photovoltaics because of their unique optoelectronic properties. While several thousand 2D materials have been screened in existing materials databases, discovering new 2D materials remains to be challenging. Herein we propose a deep learning generative model for composition generation combined with random forest based 2D materials classifier to discover new hypothetical 2D materials. Furthermore, a template based element substitution structure prediction approach is developed to predict the crystal structures of a subset of the newly predicted hypothetical formulas, which allows us to confirm their structure stability using DFT calculations. So far, we have discovered 267,489 new potential 2D materials compositions and confirmed twelve 2D/layered materials by DFT formation energy calculation. Our results show that generative machine learning models provide an effective way to explore the vast chemical design space for new 2D materials discovery.
• Abstract（参考訳）: 2次元(2D)材料は、半導体や光電気など多くの用途で期待できる機能材料として出現している。 既存の素材データベースでは数千の2D素材がスクリーニングされているが、新しい2D素材の発見はいまだに難しい。 本稿では,ランダムフォレストに基づく2次元材料分類器と組み合わせた合成生成のための深層学習生成モデルを提案する。 さらに,新たに予測した仮定式の一部集合の結晶構造を予測するために,テンプレートに基づく要素置換構造予測手法を開発し,dft計算による構造安定性の検証を可能にした。 これまでに267,489個の新しい2次元材料組成を発見し,DFT生成エネルギー計算により12個の層状材料を確認した。 この結果から, 生成機械学習モデルは, 新しい2次元材料発見のための膨大な化学設計空間を探索する有効な方法であることがわかった。

関連論文リスト

• Data-driven discovery of novel 2D materials by deep generative models [0.0]
  結晶拡散変分オートエンコーダ (CDVAE) は, 高化学・構造多様性の2次元材料を生成可能であることを示す。 合計で11630個の新しい2D材料が発見され、そのうち8599個が種構造としてデルタH_mathrmhull 0.3$ eV/atomを保有している。
  論文  参考訳（メタデータ） (2022-06-24T08:42:58Z)
• GAN2X: Non-Lambertian Inverse Rendering of Image GANs [85.76426471872855]
  GAN2Xは、教師なし画像のみをトレーニングに使用する、教師なし逆レンダリングの新しい手法である。 3次元形状を主眼とする従来のShape-from-GANアプローチとは異なり、GANが生成した擬似ペアデータを利用して、非ランベルト材料特性を復元する試みは初めてである。 実験により, GAN2Xは2次元画像を3次元形状, アルベド, 特異な特性に正確に分解し, 教師なしの単視3次元顔再構成の最先端性能を実現することができた。
  論文  参考訳（メタデータ） (2022-06-18T16:58:49Z)
• Family of Two Dimensional Transition Metal Dichlorides Fundamental Properties, Structural Defects, and Environmental Stability [6.098877408363052]
  多数の新しい2D素材が常に発見され、データベースに分解される。 この連鎖の次のステップとして、この研究は発明された材料の機能に関する包括的な研究に繋がる。 本研究は, 発明された材料のポテンシャルの活用の重要性を強調し, 新しい2次元材料群を包括的に評価することを提案する。
  論文  参考訳（メタデータ） (2022-04-29T10:01:58Z)
• Physics Guided Generative Adversarial Networks for Generations of Crystal Materials with Symmetry Constraints [9.755053639966185]
  新たな材料生成のための物理ガイド結晶生成モデル(PGCGM)を提案する。 物質の塩基性原子サイトを増大させることで、20個の空間群からなる新しい物質を生成できる。 本手法により, 発電機の有効性は, ベースラインの8倍に向上する。
  論文  参考訳（メタデータ） (2022-03-27T17:21:36Z)
• Formula graph self-attention network for representation-domain independent materials discovery [3.67735033631952]
  本稿では,理論のみと構造に基づく材料記述子の両方を統一する公式グラフの新たな概念を提案する。 本稿では,式グラフに類似した自己注意統合GNNを開発し,提案アーキテクチャが2つの領域間で伝達可能な材料埋め込みを生成することを示す。 我々のモデルは、構造に依存しない従来のGNNよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-01-14T19:49:45Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• 3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
  本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。 主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-14T23:05:47Z)
• Learning Geometry-Guided Depth via Projective Modeling for Monocular 3D Object Detection [83.57300674285133]
  射影モデルを用いて幾何学誘導深度推定を学習し, モノクル3次元物体検出を推し進める。 具体的には,モノクロ3次元物体検出ネットワークにおける2次元および3次元深度予測の投影モデルを用いた原理的幾何式を考案した。 本手法は, 適度なテスト設定において, 余分なデータを2.80%も加えることなく, 最先端単分子法の検出性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-07-29T12:30:39Z)
• Active 3D Shape Reconstruction from Vision and Touch [66.08432412497443]
  人間は、視覚と触覚を共同で利用して、活発な物体探索を通じて世界の3D理解を構築する。 3次元形状の再構成では、最新の進歩はRGB画像、深度マップ、触覚読影などの限られた感覚データの静的データセットに依存している。 1)高空間分解能視覚に基づく触覚センサを応用した3次元物体のアクティブタッチに活用した触覚シミュレータ,2)触覚やビジュオクティビティルを先導するメッシュベースの3次元形状再構成モデル,3)触覚やビジュオのいずれかを用いたデータ駆動型ソリューションのセットからなるシステムを導入する。
  論文  参考訳（メタデータ） (2021-07-20T15:56:52Z)
• 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)

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。