論文の概要: Machine Learning guided high-throughput search of non-oxide garnets

• arxiv url: http://arxiv.org/abs/2208.13742v1
• Date: Mon, 29 Aug 2022 17:26:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-30 14:47:27.770675
• Title: Machine Learning guided high-throughput search of non-oxide garnets
• Title（参考訳）: 機械学習による非酸化物ガーネットの高速探索
• Authors: Jonathan Schmidt (1), Haichen Wang (1), Georg Schmidt (1) and Miguel Marques (1) ((1) Institut f\"ur Physik, Martin-Luther-Universit\"at Halle-Wittenberg)
• Abstract要約: コンベックスの船体までの距離が100meV/原子以下で、様々な物理的・化学的性質を持つ600以上の第三級ガーネット。 これには硫化物、窒化物、ハロゲン化物が含まれる。 そこで我々は電子的構造を解析し,電子バンドギャップの値と電荷収支の関係について考察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Garnets, known since the early stages of human civilization, have found important applications in modern technologies including magnetorestriction, spintronics, lithium batteries, etc. The overwhelming majority of experimentally known garnets are oxides, while explorations (experimental or theoretical) for the rest of the chemical space have been limited in scope. A key issue is that the garnet structure has a large primitive unit cell, requiring an enormous amount of computational resources. To perform a comprehensive search of the complete chemical space for new garnets,we combine recent progress in graph neural networks with high-throughput calculations. We apply the machine learning model to identify the potential (meta-)stable garnet systems before systematic density-functional calculations to validate the predictions. In this way, we discover more than 600 ternary garnets with distances to the convex hull below 100~meV/atom with a variety of physical and chemical properties. This includes sulfide, nitride and halide garnets. For these, we analyze the electronic structure and discuss the connection between the value of the electronic band gap and charge balance.
• Abstract（参考訳）: ガーネットは人類文明の初期から知られており、磁歪、スピントロニクス、リチウム電池など近代技術において重要な応用例となっている。 実験で知られているガーネットの圧倒的多数は酸化物であり、化学空間の他の部分に対する探査(実験または理論)は範囲が限られている。 鍵となる問題は、ガーネット構造が大きなプリミティブ単位セルを持ち、膨大な計算資源を必要とすることである。 新たなガーネットの完全化学空間を包括的に探索するために,グラフニューラルネットワークの最近の進歩と高スループット計算を組み合わせる。 機械学習モデルを用いて,確率(メタ)安定ガーネットシステムを体系的な密度関数計算の前に同定し,予測を検証する。 このようにして、100〜meV/原子以下の凸殻までの距離を持つ600以上の3次ガーネットが、様々な物理的および化学的性質を持つ。 これには硫化物、窒化物、ハロゲン化物が含まれる。 そこで本研究では,電子構造を分析し,電子バンドギャップの値と電荷バランスの関係について考察する。

関連論文リスト

• 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)
• Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
  神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。 近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。 この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
  論文  参考訳（メタデータ） (2024-05-23T16:30:51Z)
• cecilia: A Machine Learning-Based Pipeline for Measuring Metal Abundances of Helium-rich Polluted White Dwarfs [0.0]
  Ceciliaは、中間温度の白色小星の金属量を測定するために設計された、機械学習を利用した初めてのスペクトルモデリングコードである。 Ceciliaは最先端の大気モデル、強力な人工知能ツール、堅牢な統計技術を組み合わせている。 セシリアのパフォーマンスは、太陽系外地球化学の大規模な研究を解き放つ可能性がある。
  論文  参考訳（メタデータ） (2024-02-07T19:00:02Z)
• 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)
• A Self-Attention Ansatz for Ab-initio Quantum Chemistry [3.4161707164978137]
  本稿では、自己注意型ウェーブファンクショントランス(Psiformer)を用いたニューラルネットワークアーキテクチャを提案する。 我々は、Psiformerを他のニューラルネットワークのドロップイン代替として使用することができ、計算精度を劇的に向上させることができることを示した。 これは、自己アテンションネットワークが電子間の複雑な量子力学的相関を学習できることを示し、より大きな系の化学計算において前例のない精度に達するための有望な経路であることを示している。
  論文  参考訳（メタデータ） (2022-11-24T15:38:55Z)
• Large-scale machine-learning-assisted exploration of the whole materials space [0.0]
  結晶-グラフアテンションネットワークは、非緩和結晶構造からの熱力学的安定性と材料特性の予測のための顕著なツールとして登場した。 これまでの200万の素材で訓練されたネットワークは、あまり表現されていない化学的要素と構造的プロトタイプに起因した強いバイアスを示していた。 この問題に取り組み、化学および結晶対称性空間のバランスを改善するために追加データを計算した。
  論文  参考訳（メタデータ） (2022-10-02T17:34:12Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Crystal Structure Search with Random Relaxations Using Graph Networks [6.918493795610175]
  物質の化学式に対する原子結晶構造の予測は、長年にわたる大きな挑戦である。 我々はLi-Si電池陽極材料のランダムな構造緩和のデータセットを構築した。 我々はランダム構造の緩和をシミュレートするためにグラフニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-12-05T01:27:10Z)
• 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)
• A deep neural network for molecular wave functions in quasi-atomic minimal basis representation [0.0]
  今回提案したShNet for Orbitals (SchNOrb) Deep Convolutional Neural Network Model [Nature Commun 10, 5024]の準原子最小基底表現における電子波関数への適応について述べる。 5から13個の重原子を含む5つの有機分子に対して、このモデルは分子軌道エネルギーと波動関数を正確に予測し、化学結合解析のための導出特性へのアクセスを提供する。
  論文  参考訳（メタデータ） (2020-05-11T06:55:36Z)
• Probing chiral edge dynamics and bulk topology of a synthetic Hall system [52.77024349608834]
  量子ホール系は、基礎となる量子状態の位相構造に根ざしたバルク特性であるホール伝導の量子化によって特徴づけられる。 ここでは, 超低温のジスプロシウム原子を用いた量子ホール系を, 空間次元の2次元形状で実現した。 磁気サブレベルが多数存在すると、バルクおよびエッジの挙動が異なることが示される。
  論文  参考訳（メタデータ） (2020-01-06T16:59:08Z)

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。