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
- 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) - Multimodal Learning for Crystalline Materials [8.915142640507794]
液晶材料のための多モード学習(MLCM)は,多モードアライメントによる結晶材料の基礎モデルをトレーニングするための新しい手法である。
MLCMは、挑戦的なMaterial Projectデータベース上での材料特性予測のための最先端性能を実現する。
私たちの研究は、進行中のAI革命のイノベーションを材料科学の領域に持ち込み、素材を次世代AIのテストベッドとして特定します。
論文 参考訳(メタデータ) (2023-11-30T18:35:29Z) - Scalable Diffusion for Materials Generation [110.39595661627155]
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) - Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。
前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
論文 参考訳(メタデータ) (2020-05-19T05:54:14Z) - Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。
そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。
画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
論文 参考訳(メタデータ) (2020-02-18T17:58:07Z)
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。