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
- Stoichiometry Representation Learning with Polymorphic Crystal
Structures [54.65985356122883]
確率論記述子は、構造的な情報を持たない特定の化合物を形成するために関係する要素間の比を明らかにすることができる。
本稿では,手軽に利用できる構造情報を利用して,確率論の確率的表現を学習するPolySRLを提案する。
論文 参考訳(メタデータ) (2023-11-17T20:34:28Z) - Scalable Diffusion for Materials Generation [110.39595661627155]
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) - ChemVise: Maximizing Out-of-Distribution Chemical Detection with the
Novel Application of Zero-Shot Learning [60.02503434201552]
本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。
合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
論文 参考訳(メタデータ) (2023-02-09T20:19:57Z) - 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) - 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) - 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) - 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。