論文の概要: Prediction of superconducting properties of materials based on machine
learning models
- arxiv url: http://arxiv.org/abs/2211.03075v1
- Date: Sun, 6 Nov 2022 10:24:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 18:49:12.736616
- Title: Prediction of superconducting properties of materials based on machine
learning models
- Title(参考訳): 機械学習モデルによる材料の超伝導特性の予測
- Authors: Jie Hu, Yongquan Jiang, Yang Yan, Houchen Zuo
- Abstract要約: 本論文は超伝導体同定にXGBoostモデルを用いることを提案する。
深部森林モデルによる超伝導体の臨界温度の予測
ディープフォレストの最初の応用による材料のバンドギャップの予測
フェルミエネルギーレベルを予測する最初のサブネットワークモデル。
- 参考スコア(独自算出の注目度): 3.7492020569920723
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The application of superconducting materials is becoming more and more
widespread. Traditionally, the discovery of new superconducting materials
relies on the experience of experts and a large number of "trial and error"
experiments, which not only increases the cost of experiments but also prolongs
the period of discovering new superconducting materials. In recent years,
machine learning has been increasingly applied to materials science. Based on
this, this manuscript proposes the use of XGBoost model to identify
superconductors; the first application of deep forest model to predict the
critical temperature of superconductors; the first application of deep forest
to predict the band gap of materials; and application of a new sub-network
model to predict the Fermi energy level of materials. Compared with our known
similar literature, all the above algorithms reach state-of-the-art. Finally,
this manuscript uses the above models to search the COD public dataset and
identify 50 candidate superconducting materials with possible critical
temperature greater than 90 K.
- Abstract(参考訳): 超伝導材料の応用はますます広くなってきている。
伝統的に、新しい超伝導材料の発見は、専門家の経験と多くの"trial and error"実験に依存しており、実験のコストを増加させるだけでなく、新しい超伝導材料の発見期間を延ばす。
近年、機械学習は材料科学にますます応用されている。
そこで本研究では,xgboostモデルを用いて超伝導体を特定すること,超伝導体の臨界温度を予測するためのディープフォレストモデルが初めて適用すること,材料のバンドギャップを予測するためにディープフォレストを初めて適用すること,および物質のフェルミエネルギーレベルを予測するための新しいサブネットワークモデルの適用を提案する。
既知の類似の文献と比較して、上記のアルゴリズムはすべて最先端に到達します。
最後に、この写本は上記のモデルを用いてcod公開データセットを検索し、90k以上の臨界温度を持つ50の候補超伝導材料を同定する。
関連論文リスト
- AI-accelerated Discovery of Altermagnetic Materials [50.34030830867697]
金属、半導体、絶縁体をカバーする新しい25の磁気材料について報告する。
これらの材料は、対称性解析、グラフニューラルネットワーク事前学習、最適輸送理論、第一原理電子構造計算を統一したAI検索エンジンによって発見された。
論文 参考訳(メタデータ) (2023-11-08T01:06:48Z) - End-to-end Material Thermal Conductivity Prediction through Machine
Learning [1.5565958456748663]
熱伝導率予測のための機械学習モデルは過度に適合する。
テストデータセットで達成した絶対誤差の平均値は50~60%の範囲に留まった。
論文 参考訳(メタデータ) (2023-11-06T14:34:30Z) - Design and simulation of a transmon qubit chip for Axion detection [103.69390312201169]
超伝導量子ビットに基づくデバイスは、量子非劣化測定(QND)による数GHz単一光子の検出に成功している。
本研究では,Qub-ITの超伝導量子ビットデバイスの実現に向けた状況を示す。
論文 参考訳(メタデータ) (2023-10-08T17:11:42Z) - Investigation on Machine Learning Based Approaches for Estimating the
Critical Temperature of Superconductors [4.271684331748043]
本稿では,超伝導材料の複雑な特性を学習するために,積層機械学習手法を用いる。
他のアクセス可能な研究と比較すると、このモデルはRMSE 9.68とR2スコア0.922で有望な性能を示した。
論文 参考訳(メタデータ) (2023-08-02T17:11:50Z) - S2SNet: A Pretrained Neural Network for Superconductivity Discovery [4.114842429117009]
本稿では,超伝導予測に注意機構を利用する新しいモデルS2SNetを提案する。
S2SNetは、新しい最先端の精度を92%、AUC(Area Under Curve)を0.92の精度で実現している。
論文 参考訳(メタデータ) (2023-06-28T14:52:50Z) - 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) - First design of a superconducting qubit for the QUB-IT experiment [50.591267188664666]
QUB-ITプロジェクトの目標は、量子非破壊(QND)測定と絡み合った量子ビットを利用した、反復的な単一光子カウンタを実現することである。
本稿では,Qiskit-Metalを用いた共振器に結合したトランスモン量子ビットからなる第1の超伝導デバイスの設計とシミュレーションを行う。
論文 参考訳(メタデータ) (2022-07-18T07:05:10Z) - Identifying Chern numbers of superconductors from local measurements [0.0]
本研究では,2次元(2次元)カイラル超伝導体と絶縁体のトポロジ的状態の分類を行う頑健な機械学習プロトコルを提案する。
このプロトコルは,2次元超伝導体の位相的位相を時間反転対称性の破れで同定する,30年近くにわたって立っていた問題を克服するために有効である。
論文 参考訳(メタデータ) (2021-12-13T16:34:35Z) - 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) - Advanced Multi-Variate Analysis Methods for New Physics Searches at the
Large Hadron Collider [72.34476433304168]
ava4newphysicsは、高度多変量解析法と統計学習ツールの高エネルギー物理学問題へのカスタマイズと応用を研究した。
これらの手法の多くは、CERNにおけるATLASおよびCMS実験によるデータ解析の感度向上に成功している。
テスト段階にある他のいくつかは、基礎物理学パラメータの測定の精度と新しい現象の探索の到達範囲をさらに改善することを約束している。
論文 参考訳(メタデータ) (2021-05-16T22:20:30Z) - Neutron Guide Building Instruments of the Brazilian Multipurpose Reactor
(RMB) Project [58.720142291102135]
本稿では,サビヤとアラポンガの2つの原楽器の標準設計要件について述べる。
これらはそれぞれ、低温および熱中性子測定器であり、小型アングル中性子散乱(SANS)と高分解性粉末中性子回折計(HRPND)に対応している。
ここでは、中性子ビームを同じガイド上の2つの異なる機器に輸送するための単純なガイドと分割ガイドの使用に関する最初の研究を提案する。
論文 参考訳(メタデータ) (2020-03-11T11:57:55Z)
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。