Fugu-MT 論文翻訳(概要): Computational discovery of new 2D materials using deep learning generative models

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: 翻訳完了
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

Rapid morphology characterization of two-dimensional TMDs and lateral heterostructures based on deep learning [23.746126635186503]
本研究では,2次元材料,特にMoS2-MoSe2の側面ヘテロ構造とMoS2フレークの形状と厚さの変化を特徴付ける深層学習手法を提案する。 YOLOモデルを利用することで、これらの材料を識別する精度は94.67%以上となる。
論文参考訳（メタデータ） (2025-03-01T12:51:32Z)
MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
論文参考訳（メタデータ） (2024-12-12T15:01:39Z)
Nonlinear Inverse Design of Mechanical Multi-Material Metamaterials Enabled by Video Denoising Diffusion and Structure Identifier [2.624762732763203]
本稿では非線形応力-ひずみ応答に基づく逆多材料設計のための新しい枠組みを提案する。複数の材料, 塑性, 大変形を組み込むことで, メタマテリアルの高非線形力学的挙動の制御を高度化することができる。
論文参考訳（メタデータ） (2024-09-20T21:26:15Z)
OpenMaterial: A Comprehensive Dataset of Complex Materials for 3D Reconstruction [54.706361479680055]
295個の異なる材料からなる1001個のオブジェクトからなるOpenMaterialデータセットを紹介した。 OpenMaterialは3D形状、マテリアルタイプ、カメラポーズ、深さ、オブジェクトマスクなど、包括的なアノテーションを提供する。これは、多様で挑戦的な材料を持つオブジェクト上で、既存のアルゴリズムの定量的評価を可能にする最初の大規模データセットである。
論文参考訳（メタデータ） (2024-06-13T07:46:17Z)
End-to-End Model-based Deep Learning for Dual-Energy Computed Tomography Material Decomposition [53.14236375171593]
本稿では,定量化のためのエンド・ツー・エンド材料分解(E2E-DEcomp)と呼ばれる深層学習手法を提案する。 AAPMスペクトルCTデータセットにおける直接E2E-DEcomp法の有効性を示す。
論文参考訳（メタデータ） (2024-06-01T16:20:59Z)
MaterialSeg3D: Segmenting Dense Materials from 2D Priors for 3D Assets [63.284244910964475]
本稿では,2次元のセマンティクスから基礎となる物質を推定する3次元アセット素材生成フレームワークを提案する。このような先行モデルに基づいて,材料を三次元空間で解析する機構を考案する。
論文参考訳（メタデータ） (2024-04-22T07:00:17Z)
Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。材料の生成モデルを評価するための追加指標を提案する。
論文参考訳（メタデータ） (2023-10-18T15:49:39Z)
Discovery of 2D materials using Transformer Network based Generative Design [0.0]
トランスフォーマーをベースとした自己学習型ニューラルネットワークモデルを用いて,2つの2次元材料合成ジェネレータを訓練する。その後、モデルは多数の候補となる2D合成を生成するために使用され、結晶構造予測のために既知の2D材料テンプレートに供給される。我々は,NiCl$_4$,IrSBr,CuBr$_3$,CoBrClの4つの新しいDFT認定安定2D材料について報告する。
論文参考訳（メタデータ） (2023-01-14T05:59:38Z)
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)
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)
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)
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)
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)

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。