論文の概要: Large-scale machine-learning-assisted exploration of the whole materials space

• arxiv url: http://arxiv.org/abs/2210.00579v1
• Date: Sun, 2 Oct 2022 17:34:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 18:05:36.457345
• Title: Large-scale machine-learning-assisted exploration of the whole materials space
• Title（参考訳）: 大規模機械学習による材料空間の探索
• Authors: Jonathan Schmidt (1), Noah Hoffmann (1), Hai-Chen Wang (1), Pedro Borlido (2), Pedro J. M. A. Carri\c{c}o (2), Tiago F. T. Cerqueira (2), Silvana Botti (3), Miguel A. L. Marques (1) ((1) Institut f\"ur Physik, Martin-Luther-Universit\"at Halle-Wittenberg, (2) Department of Physics, University of Coimbra, (3) Friedrich-Schiller-Universit\"at Jena)
• Abstract要約: 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。
• 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: Crystal-graph attention networks have emerged recently as remarkable tools for the prediction of thermodynamic stability and materials properties from unrelaxed crystal structures. Previous networks trained on two million materials exhibited, however, strong biases originating from underrepresented chemical elements and structural prototypes in the available data. We tackled this issue computing additional data to provide better balance across both chemical and crystal-symmetry space. Crystal-graph networks trained with this new data show unprecedented generalization accuracy, and allow for reliable, accelerated exploration of the whole space of inorganic compounds. We applied this universal network to perform machine-learning assisted high-throughput materials searches including 2500 binary and ternary structure prototypes and spanning about 1 billion compounds. After validation using density-functional theory, we uncover in total 19512 additional materials on the convex hull of thermodynamic stability and ~150000 compounds with a distance of less than 50 meV/atom from the hull. Combining again machine learning and ab-initio methods, we finally evaluate the discovered materials for applications as superconductors, superhard materials, and we look for candidates with large gap deformation potentials, finding several compounds with extreme values of these properties.
• Abstract（参考訳）: 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熱力学的安定性と材料特性を予測するための顕著なツールとして最近登場した。 しかし、200万の材料でトレーニングされた以前のネットワークは、表現不足の化学的要素と利用可能なデータの構造的プロトタイプから生じる強いバイアスが示されていた。 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。 この新しいデータでトレーニングされた結晶グラフネットワークは、前例のない一般化の精度を示し、無機化合物の全空間の信頼性と迅速な探索を可能にする。 我々はこのユニバーサルネットワークを用いて,2500のバイナリおよび3元構造プロトタイプを含む,約10億の化合物を対象とした機械学習支援高スループット材料探索を行った。 密度汎関数理論を用いた検証の後、熱力学的安定性の凸包と、殻から50mev/原子以下の距離の約150000化合物の合計19512個の追加物質を明らかにする。 再び機械学習とab-initio法を組み合わせることで, 超伝導体, 超硬質材料として応用するための材料を最終的に評価し, ギャップ変形ポテンシャルが大きい候補を探し, これらの性質を極端に有する化合物を見いだした。

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)
• Foundation Model for Composite Materials and Microstructural Analysis [49.1574468325115]
  複合材料に特化して設計された基礎モデルを提案する。 我々のモデルは、頑健な潜伏特性を学習するために、短繊維コンポジットのデータセット上で事前訓練されている。 転送学習中、MMAEはR2スコアが0.959に達し、限られたデータで訓練しても0.91を超えている均質化剛性を正確に予測する。
  論文  参考訳（メタデータ） (2024-11-10T19:06:25Z)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Structural Constraint Integration in Generative Model for Discovery of Quantum Material Candidates [27.416978540039878]
  遺伝子モデル(SCIGEN)における構造制約の統合について紹介する。 プロトタイプの制約としてアルキメデス格子を用いて800万の化合物を生成し, 10%以上の安定性が維持されている。 量子材料の性質は幾何学的パターンと密接に関連しているため、SCIGENは量子材料候補を生成するための一般的な枠組みを提供することを示す。
  論文  参考訳（メタデータ） (2024-07-05T14:42:54Z)
• 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)
• Machine Learning guided high-throughput search of non-oxide garnets [0.0]
  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。
  論文  参考訳（メタデータ） (2022-08-29T17:26:29Z)
• Data-driven discovery of novel 2D materials by deep generative models [0.0]
  結晶拡散変分オートエンコーダ (CDVAE) は, 高化学・構造多様性の2次元材料を生成可能であることを示す。 合計で11630個の新しい2D材料が発見され、そのうち8599個が種構造としてデルタH_mathrmhull 0.3$ eV/atomを保有している。
  論文  参考訳（メタデータ） (2022-06-24T08:42:58Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• 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)
• Machine Learning Enabled Discovery of Application Dependent Design Principles for Two-dimensional Materials [1.1470070927586016]
  我々は熱力学、機械的、電子的特性を予測するためにモデルのアンサンブルを訓練する。 ほぼ2つの非結合なアプリケーションに対して,45,000近い構造体をスクリーニングする。 有機-無機ペロブスカイトと鉛とスズとのハイブリッドが太陽電池の応用に好適であることが判明した。
  論文  参考訳（メタデータ） (2020-03-19T23:13:50Z)

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。