論文の概要: Topogivity: A Machine-Learned Chemical Rule for Discovering Topological Materials

• arxiv url: http://arxiv.org/abs/2202.05255v1
• Date: Thu, 10 Feb 2022 18:57:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-11 17:16:44.416708
• Title: Topogivity: A Machine-Learned Chemical Rule for Discovering Topological Materials
• Title（参考訳）: トポジティ:トポジティクス材料発見のための機械学習型化学規則
• Authors: Andrew Ma, Yang Zhang, Thomas Christensen, Hoi Chun Po, Li Jing, Liang Fu, Marin Solja\v{c}i\'c
• Abstract要約: トポロジカルな材料は、基礎科学と次世代の技術応用の両方に魅力を与える非伝統的な電子特性を示す。 ここでは、機械学習を用いて、物質がその化学式のみを用いてトポロジカルであるかどうかを高精度に診断する簡単な化学規則を開発する。
• 参考スコア（独自算出の注目度）: 7.86558262769362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Topological materials present unconventional electronic properties that make them attractive for both basic science and next-generation technological applications. The majority of currently-known topological materials have been discovered using methods that involve symmetry-based analysis of the quantum wavefunction. Here we use machine learning to develop a simple-to-use heuristic chemical rule that diagnoses with a high accuracy whether a material is topological using only its chemical formula. This heuristic rule is based on a notion that we term topogivity, a machine-learned numerical value for each element that loosely captures its tendency to form topological materials. We next implement a high-throughput strategy for discovering topological materials based on the heuristic topogivity-rule prediction followed by ab initio validation. This way, we discover new topological materials that are not diagnosable using symmetry indicators, including several that may be promising for experimental observation.
• Abstract（参考訳）: トポロジカルな材料は、基礎科学と次世代の技術応用の両方に魅力を与える非伝統的な電子特性を示す。 現在知られているトポロジカル材料の大部分は、量子波動関数の対称性に基づく解析を含む手法を用いて発見されている。 ここでは機械学習を用いて,材料が化学式のみを用いてトポロジカルであるか否かを高精度に診断する,簡便なヒューリスティックな化学規則を開発する。 このヒューリスティックなルールは、トポゴジティ(topogivity)、すなわち、トポロジカルな材料を形成する傾向を緩やかに捉えた各要素に対して機械が学習した数値をいう概念に基づいている。 次に,ヒューリスティックなトポジティビティルール予測に基づくトポロジカルな材料発見のための高スループット戦略を実装した。 このようにして、対称性指標を用いて診断できない新しいトポロジカル材料が発見され、その中には実験観測に期待できるものもある。

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)
• Balancing Molecular Information and Empirical Data in the Prediction of Physico-Chemical Properties [8.649679686652648]
  本稿では,分子記述子と表現学習を組み合わせた一般的な手法を提案する。 提案したハイブリッドモデルは,グラフニューラルネットワークを用いた化学構造情報を利用する。 構造に基づく予測が信頼できない場合を自動的に検出し、表現学習に基づく予測によって修正する。
  論文  参考訳（メタデータ） (2024-06-12T10:51:00Z)
• Towards out-of-distribution generalizable predictions of chemical kinetics properties [61.15970601264632]
  Out-Of-Distribution (OOD) の運動特性予測は一般化可能である必要がある。 本稿では,OODの運動特性予測を3つのレベル(構造,条件,機構)に分類する。 我々は、OOD設定における反応予測のための最先端MLアプローチと、速度論的特性予測問題における最先端グラフOOD手法をベンチマークするために、包括的なデータセットを作成する。
  論文  参考訳（メタデータ） (2023-10-04T20:36:41Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• Symmetry-Informed Geometric Representation for Molecules, Proteins, and Crystalline Materials [66.14337835284628]
  幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。 Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
  論文  参考訳（メタデータ） (2023-06-15T05:37:25Z)
• Formula graph self-attention network for representation-domain independent materials discovery [3.67735033631952]
  本稿では,理論のみと構造に基づく材料記述子の両方を統一する公式グラフの新たな概念を提案する。 本稿では,式グラフに類似した自己注意統合GNNを開発し,提案アーキテクチャが2つの領域間で伝達可能な材料埋め込みを生成することを示す。 我々のモデルは、構造に依存しない従来のGNNよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-01-14T19:49:45Z)
• Machine learning with persistent homology and chemical word embeddings improves prediction accuracy and interpretability in metal-organic frameworks [0.07874708385247352]
  材料の構造と化学の複雑な表現をキャプチャする記述子を自動的に生成するエンド・ツー・エンドの機械学習モデルを提案する。 物質系から直接、幾何学的および化学的情報をカプセル化する。 提案手法は, 対象物間での精度, 転送可能性の両面において, 一般的に用いられている手作業による特徴量から構築したモデルに比べ, かなり改善されている。
  論文  参考訳（メタデータ） (2020-10-01T16:31:46Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)
• 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)
• Topological Descriptors Help Predict Guest Adsorption in Nanoporous Materials [0.09668407688201358]
  持続的ホモロジーを用いて様々なスケールでナノ多孔質材料の幾何学を記述する。 トポロジカルディスクリプタを従来の構造特徴と組み合わせて,予測タスクに対するそれぞれの相対的重要性について検討する。
  論文  参考訳（メタデータ） (2020-01-16T18:08:25Z)

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。