論文の概要: Prediction of Large Magnetic Moment Materials With Graph Neural Networks and Random Forests

• arxiv url: http://arxiv.org/abs/2111.14712v4
• Date: Mon, 17 Apr 2023 20:07:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 19:18:55.315184
• Title: Prediction of Large Magnetic Moment Materials With Graph Neural Networks and Random Forests
• Title（参考訳）: グラフニューラルネットワークとランダムフォレストを用いた大型磁気モーメント材料の予測
• Authors: S\'ekou-Oumar Kaba, Benjamin Groleau-Par\'e, Marc-Antoine Gauthier, Andr\'e-Marie Tremblay, Simon Verret, Chlo\'e Gauvin-Ndiaye
• Abstract要約: 強磁性材料の無機結晶構造データベースを走査するために,最先端の機械学習手法を用いる。 ランダムな森林では,化学組成と結晶構造に基づいて100近い関連する記述子を選択する手法を用いる。 我々は、大きな磁気モーメントを持ち、まだ実験的に研究されていない15の物質を発見した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Magnetic materials are crucial components of many technologies that could drive the ecological transition, including electric motors, wind turbine generators and magnetic refrigeration systems. Discovering materials with large magnetic moments is therefore an increasing priority. Here, using state-of-the-art machine learning methods, we scan the Inorganic Crystal Structure Database (ICSD) of hundreds of thousands of existing materials to find those that are ferromagnetic and have large magnetic moments. Crystal graph convolutional neural networks (CGCNN), materials graph network (MEGNet) and random forests are trained on the Materials Project database that contains the results of high-throughput DFT predictions. For random forests, we use a stochastic method to select nearly one hundred relevant descriptors based on chemical composition and crystal structure. This gives results that are comparable to those of neural networks. The comparison between these different machine learning approaches gives an estimate of the errors for our predictions on the ICSD database. Validating our final predictions by comparisons with available experimental data, we found 15 materials that are likely to have large magnetic moments and have not been yet studied experimentally.
• Abstract（参考訳）: 磁気材料は、電気モーター、風力タービン発電機、磁気冷凍システムなど、生態遷移を駆動する多くの技術の重要な要素である。 したがって、大きな磁気モーメントを持つ物質の発見が優先される。 ここでは、最先端の機械学習手法を用いて、数十万の既存材料の無機結晶構造データベース(ICSD)をスキャンし、強磁性で大きな磁気モーメントを持つ物質を見つける。 結晶グラフ畳み込みニューラルネットワーク(CGCNN)、物質グラフネットワーク(MEGNet)、ランダム森林は、高スループットDFT予測の結果を含むマテリアルプロジェクトデータベース上で訓練される。 ランダムな森林では,化学組成と結晶構造に基づいて,100近い関連する記述子を選択する確率的手法を用いる。 これにより、ニューラルネットワークに匹敵する結果が得られる。 これらの異なる機械学習アプローチの比較は、icsdデータベース上での予測の誤りを推定する。 実験データとの比較により最終予測を検証した結果,磁気モーメントが大きく,まだ実験的に研究されていない15の材料が得られた。

関連論文リスト

• Northeast Materials Database (NEMAD): Enabling Discovery of High Transition Temperature Magnetic Compounds [1.1856958240619673]
  本研究では,Large Language Models (LLMs) を用いて,総合的かつ実験的な磁気材料データベースを構築した。 データベースには化学組成、磁気相転移温度、構造の詳細、磁気特性が組み込まれている。 機械学習モデルは材料を分類し、遷移温度を予測するために開発された。
  論文  参考訳（メタデータ） (2024-09-24T02:27:10Z)
• AI-accelerated Discovery of Altermagnetic Materials [48.261668305411845]
  新たな磁気相であるオルテルマグネティズムは、強磁性と反強磁性とを区別して理論的に提案され、実験的に検証されている。 本稿では,AI検索エンジンによる自動発見手法を提案する。 金属、半導体、絶縁体をカバーする新しい50の磁気材料を発見しました。
  論文  参考訳（メタデータ） (2023-11-08T01:06:48Z)
• Machine learning-based spin structure detection [0.0]
  我々は,この測定におけるスカイミオンの位置と形状を検出するために,セグメンテーション問題に特化して設計された畳み込みニューラルネットワークについて報告する。 本研究の結果から, よく訓練されたネットワークは, 磁気顕微鏡におけるデータ前処理の自動化に有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-24T17:19:31Z)
• Learning Feynman Diagrams using Graph Neural Networks [70.540936204654]
  本研究は、行列要素の予測を90%以上の有意な数値精度で行うグラフアテンション層を用いている。 ピーク性能は200エポック未満のトレーニングで10%以上の時間で3つの有意な数値精度を予測した。
  論文  参考訳（メタデータ） (2022-11-25T05:53:28Z)
• DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning [58.94034282469377]
  下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。 実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
  論文  参考訳（メタデータ） (2022-09-27T16:32:11Z)
• Identification of Flux Rope Orientation via Neural Networks [0.0]
  畳み込みニューラルネットワーク(CNN)を用いて,埋込磁束ロープの向きを予測する。 我々の研究は、解析的フラックスロープデータから磁場ベクトルを訓練したCNNを用いている。 1995～2015年における風観測ICMEに対するトレーニングネットワークの評価結果について報告する。
  論文  参考訳（メタデータ） (2022-02-11T20:59:26Z)
• Machine-learning-enhanced quantum sensors for accurate magnetic field imaging [0.0]
  磁場の局所検出はナノ・マイクロ材料の特徴付けに不可欠である。 ダイヤモンドナノ粒子(ナノダイヤモンド)は、空間分解能を高める魅力的な機会を提供する。 このようなランダム指向ナノダイアモンドアンサンブル(NDE)の物理モデルが利用可能であるが、実際の実験条件の複雑さは依然として磁場の低減の精度を制限している。 ここでは,NDEと機械学習を組み合わせた1.8mu$Tの高精度な磁場イメージングを物理モデルなしで実演する。
  論文  参考訳（メタデータ） (2022-02-01T12:48:06Z)
• Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
  臨床MRIデータに対するCSGMフレームワークの初成功例を示す。 我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
  論文  参考訳（メタデータ） (2021-08-03T08:52:06Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• Reservoir Computing with Planar Nanomagnet Arrays [58.40902139823252]
  プラナーナノマグネット貯水池は、専用ニューロモルフィックハードウェアの需要が増大する中で、期待できる新しいソリューションである。 プラナーナノマグネット貯水池は、専用ニューロモルフィックハードウェアの需要が増大する中で、期待できる新しいソリューションである。
  論文  参考訳（メタデータ） (2020-03-24T16:25:31Z)

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。