論文の概要: Element selection for functional materials discovery by integrated
machine learning of atomic contributions to properties
- arxiv url: http://arxiv.org/abs/2202.01051v1
- Date: Wed, 2 Feb 2022 14:40:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-03 17:40:07.012009
- Title: Element selection for functional materials discovery by integrated
machine learning of atomic contributions to properties
- Title（参考訳）: 集積機械学習による機能材料発見のための元素選択と特性への原子的貢献
- Authors: Andrij Vasylenko, Dmytro Antypov, Vladimir Gusev, Michael W. Gaultois,
Matthew S. Dyer, Matthew J. Rosseinsky
- Abstract要約: 材料を分類するエンド・ツー・エンドの機械学習手法を開発した。
フェーズセレクトは周期表のレベルで物質ポテンシャルを定量化することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: At the high level, the fundamental differences between materials originate
from the unique nature of the constituent chemical elements. Before specific
differences emerge according to the precise ratios of elements (composition) in
a given crystal structure (phase), the material can be represented by its phase
field defined simply as the set of the constituent chemical elements.
Classification of the materials at the level of their phase fields can
accelerate materials discovery by selecting the elemental combinations that are
likely to produce desirable functional properties in synthetically accessible
materials. Here, we demonstrate that classification of the materials phase
field with respect to the maximum expected value of a target functional
property can be combined with the ranking of the materials synthetic
accessibility. This end-to-end machine learning approach (PhaseSelect) first
derives the atomic characteristics from the compositional environments in all
computationally and experimentally explored materials and then employs these
characteristics to classify the phase field by their merit. PhaseSelect can
quantify the materials potential at the level of the periodic table, which we
demonstrate with significant accuracy for three avenues of materials
applications: high-temperature superconducting, high-temperature magnetic and
targetted energy band gap materials.
- Abstract（参考訳）: 高いレベルでは、物質間の根本的な違いは成分化学元素の独特な性質に由来する。
所定の結晶構造(相)における元素(組成)の正確な比に応じて特定の違いが現れる前に、その物質は構成化学元素の集合として定義される相場で表すことができる。
相場のレベルでの材料分類は、合成可能な材料に望ましい機能特性をもたらす可能性のある元素の組み合わせを選択することで、材料発見を加速することができる。
ここでは, 対象機能特性の最大期待値に対する材料相場の分類と, 材料合成アクセシビリティのランク付けを併用できることを実証する。
このエンドツーエンド機械学習アプローチ(phaseselect)は、計算学的および実験的に検討されたすべての材料における合成環境から原子特性を導出し、それらの特性を用いて位相場をそのメリットによって分類する。
ここでは, 高温超伝導, 高温磁性, 目標エネルギーバンドギャップ材料という3つの分野の材料応用に対して, 高い精度で, 周期表のレベルにおける材料ポテンシャルを定量化することができる。
関連論文リスト
- Material Property Prediction with Element Attribute Knowledge Graphs and Multimodal Representation Learning [8.523289773617503]
要素特性知識グラフを構築し、埋め込みモデルを用いて、要素属性を知識グラフ内にエンコードする。
マルチモーダル融合フレームワークであるESNetは、要素特性特徴と結晶構造特徴を統合し、ジョイントマルチモーダル表現を生成する。
これは結晶材料の性能を予測するためのより包括的な視点を提供する。
論文 参考訳（メタデータ） (2024-11-13T08:07:21Z) - Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - Data-efficient and Interpretable Inverse Materials Design using a Disentangled Variational Autoencoder [2.563209727695243]
逆材料設計は、新しい物質発見の加速に成功している。
多くの逆材料設計法では、教材表現のコンパクトな記述を提供するために潜在空間を学習する教師なし学習を用いる。
本稿では,不整合変分オートエンコーダをベースとした半教師付き学習手法を提案し,特徴,潜伏変数,対象特性の確率的関係を学習する。
論文 参考訳（メタデータ） (2024-09-10T02:21:13Z) - Predicting Many Properties of Crystals by a Single Deep Learning Model [2.7892599615881144]
本稿では,空間群,要素,単位セル情報を統合したトランスフォーマーベースのフレームワークであるCrystalBERTを紹介する。
これらの特徴を全て取り入れることで、以前の研究を超越し、以前に分類されたトポロジカルな資料を同定し、トポロジカルな分類において91%の精度を達成できる。
論文 参考訳（メタデータ） (2024-05-29T09:56:00Z) - 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) - Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。
本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。
その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
論文 参考訳（メタデータ） (2023-10-07T21:36:55Z) - Deep Reinforcement Learning for Inverse Inorganic Materials Design [0.09208007322096533]
逆無機材料設計のための強化学習(RL)手法を提案する。
本モデルは, 化学多様性と特異性を維持しながら, 電荷や電子陰性性中立性などの化学ガイドラインを学習する。
このアプローチを用いて、モデルが有望な化合物を予測し、無機物質発見のための最適化された化学設計空間を提案する。
論文 参考訳（メタデータ） (2022-10-21T13:06:19Z) - A route towards engineering many-body localization in real materials [0.0]
実験室で異なる種類の物質を混合することにより,多くの身体局在のサインを示す実物質を合成する方法を提案する。
電子-フォノン結合の効果について検討し, 1, 2, 3次元格子に埋め込まれた1次元材料に着目した。
論文 参考訳（メタデータ） (2022-07-21T18:12:27Z) - Ternary Metal Oxide Substrates for Superconducting Circuits [65.60958948226929]
基板材料の欠陥と表面の損失は、超伝導量子回路が実用可能な量子コンピュータを構築するのに必要なスケールと複雑さに達するのを制限している主要な要因の1つである。
本稿では, スピネル (MgAl2O4) およびランタンアルミネート (LaAlO3) の3元金属酸化物材料について, 表面・界面特性および調製に焦点をあてて検討した。
論文 参考訳（メタデータ） (2022-01-17T06:10:15Z) - 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) - 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)
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。