Fugu-MT 論文翻訳(概要): Analogical discovery of disordered perovskite oxides by crystal structure information hidden in unsupervised material fingerprints

論文の概要: Analogical discovery of disordered perovskite oxides by crystal structure information hidden in unsupervised material fingerprints

arxiv url: http://arxiv.org/abs/2105.11877v1
Date: Tue, 25 May 2021 12:25:53 GMT
ステータス: 処理完了
システム内更新日: 2021-05-26 18:15:45.844307
Title: Analogical discovery of disordered perovskite oxides by crystal structure information hidden in unsupervised material fingerprints
Title（参考訳）: 無監督材料指紋に隠された結晶構造情報による不規則なペロブスカイト酸化物の発見
Authors: Achintha Ihalage and Yang Hao
Abstract要約: 教師なしのディープラーニング戦略は,ペロブスカイト成形性および基礎となる結晶構造情報を埋め込んだ乱れた材料の指紋を見つけることができることを示す。この現象は実験組成の結晶対称性を予測し、教師付き機械学習(ML)アルゴリズムよりも優れている。研究されていないペロブスカイトの探索空間は、実験データを用いたMLモデルと自動化Webマイニングツールを用いて60,000個の実現可能な化合物から94%の成功率でスクリーニングされる。
参考スコア（独自算出の注目度）: 1.7883499160092873
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Compositional disorder induces myriad captivating phenomena in perovskites. Target-driven discovery of perovskite solid solutions has been a great challenge due to the analytical complexity introduced by disorder. Here, we demonstrate that an unsupervised deep learning strategy can find fingerprints of disordered materials that embed perovskite formability and underlying crystal structure information by learning only from the chemical composition, manifested in (A1-xA'x)BO3 and A(B1-xB'x)O3 formulae. This phenomenon can be capitalized to predict the crystal symmetry of experimental compositions, outperforming several supervised machine learning (ML) algorithms. The educated nature of material fingerprints has led to the conception of analogical materials discovery that facilitates inverse exploration of promising perovskites based on similarity investigation with known materials. The search space of unstudied perovskites is screened from ~600,000 feasible compounds using experimental data powered ML models and automated web mining tools at a 94% success rate. This concept further provides insights on possible phase transitions and computational modelling of complex compositions. The proposed quantitative analysis of materials analogies is expected to bridge the gap between the existing materials literature and the undiscovered terrain.
Abstract（参考訳）: 組成障害はペロブスカイトの無数の捕食現象を引き起こす。ペロブスカイト固溶体の発見は障害によって引き起こされる分析の複雑さのために大きな課題となっている。本稿では, (a1-xa'x)bo3 および a(b1-xb'x)o3 式で示される化学組成からのみ学習することにより, ペロブスカイト形成性や基礎となる結晶構造情報を埋め込んだ不規則な材料の指紋を教師なし深層学習戦略が発見できることを実証する。この現象は実験組成の結晶対称性を予測し、教師付き機械学習(ML)アルゴリズムよりも優れている。材料指紋の教育的な性質は、既知の物質との類似性の調査に基づいて、有望なペロブスカイトの逆探索を促進する類推材料発見の概念に繋がった。研究されていないペロブスカイトの探索空間は、実験データを用いたMLモデルと自動化Webマイニングツールを用いて、約600,000個の実現可能な化合物から94%の成功率でスクリーニングされる。この概念はさらに、複雑な合成の相転移と計算モデルに関する洞察を与える。既存の資料文献と未発見の地形とのギャップを埋めるため,資料類推の定量的解析が期待されている。

関連論文リスト

Ab Initio Structure Solutions from Nanocrystalline Powder Diffraction Data [4.463003012243322]
材料科学における大きな課題は、ナノメートルサイズの物体の構造を決定することである。本稿では,45,229の既知構造に基づく拡散過程に基づく生成機械学習モデルを用いた新しい手法を提案する。我々のモデルであるPXRDnetは、対称性と複雑さの異なる200の材料にまたがる10アングストロームのシミュレーションナノ結晶を解くことに成功した。
論文参考訳（メタデータ） (2024-06-16T03:45:03Z)
Towards End-to-End Structure Solutions from Information-Compromised Diffraction Data via Generative Deep Learning [6.617784410952713]
機械学習(ML)とディープラーニング(DL)は、既に知られている構造を持つ大規模データベースから学習した事前知識を用いて、劣化した入力信号の情報を増大させるため、有望なアプローチである。ここでは、この問題にエンドツーエンドで対処する堅牢だが汎用的なツールである、バラツキクエリベースのマルチブランチディープニューラルネットワークである、新しいMLアプローチを提案する。このシステムは、既知の化学組成情報と部分的に知られている化学組成情報の両方で、目に見えない素材の真実と平均9.3.4%の類似性を達成している。
論文参考訳（メタデータ） (2023-12-23T02:17:27Z)
Spectroscopy-Guided Discovery of Three-Dimensional Structures of Disordered Materials with Diffusion Models [6.97950396242977]
対象物から乱れた材料の3次元構造を予測するための拡散モデルに基づく新しいフレームワークを提案する。我々のモデルは、特定のXANESスペクトルの原子配列を調整するための生成過程を制御できることを示します。本研究は, 材料評価と原子構造決定のギャップを埋める上で, 重要な歩みを示している。
論文参考訳（メタデータ） (2023-12-09T05:40:10Z)
Stoichiometry Representation Learning with Polymorphic Crystal Structures [54.65985356122883]
確率論記述子は、構造的な情報を持たない特定の化合物を形成するために関係する要素間の比を明らかにすることができる。本稿では,手軽に利用できる構造情報を利用して,確率論の確率的表現を学習するPolySRLを提案する。
論文参考訳（メタデータ） (2023-11-17T20:34:28Z)
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)
Unsupervised Learning of Nanoindentation Data to Infer Microstructural Details of Complex Materials [4.771578529731914]
Cu-Cr複合材料をナノインデンテーションにより研究した。教師なし学習技術を用いてデータを解析した。データ量が適切かどうかを判断するためにクロスバリデーションを導入した。
論文参考訳（メタデータ） (2023-09-12T21:45:33Z)
Predicting failure characteristics of structural materials via deep learning based on nondestructive void topology [0.5735035463793008]
非破壊的X線CT(X-CT)、持続的ホモロジー(PH)、深層マルチモーダル学習(DML)を組み合わせた材料破壊特性の予測手法を提案する。材料検査時の微細欠陥状態を入力として利用し、故障関連特性を出力する。
論文参考訳（メタデータ） (2022-05-17T05:59:42Z)
Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
論文参考訳（メタデータ） (2022-02-22T15:39:00Z)
Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
論文参考訳（メタデータ） (2022-02-01T03:53:39Z)
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)
Learning Mixtures of Low-Rank Models [89.39877968115833]
低ランクモデルの計算混合を学習する問題について検討する。ほぼ最適サンプルを用いて未知の行列を復元することが保証されるアルゴリズムを開発する。さらに,提案アルゴリズムはランダムノイズに対して確実に安定である。
論文参考訳（メタデータ） (2020-09-23T17:53:48Z)

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。