論文の概要: Machine-Learning Prediction of the Computed Band Gaps of Double
Perovskite Materials
- arxiv url: http://arxiv.org/abs/2301.03372v1
- Date: Wed, 4 Jan 2023 08:19:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-15 22:58:53.106107
- Title: Machine-Learning Prediction of the Computed Band Gaps of Double
Perovskite Materials
- Title（参考訳）: 二重ペロブスカイト材料の計算帯域ギャップの機械学習予測
- Authors: Junfei Zhang, Yueqi Li, and Xinbo Zhou
- Abstract要約: 機能性材料の電子構造の予測は新しい装置の工学に不可欠である。
本研究では,2重ペロブスカイト材料の電子構造を機械学習で予測する。
この結果は,期待できる機能材料を迅速にスクリーニングするために,機械学習による回帰の可能性を実証するという意味で重要である。
- 参考スコア（独自算出の注目度）: 3.2798940914359056
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prediction of the electronic structure of functional materials is essential
for the engineering of new devices. Conventional electronic structure
prediction methods based on density functional theory (DFT) suffer from not
only high computational cost, but also limited accuracy arising from the
approximations of the exchange-correlation functional. Surrogate methods based
on machine learning have garnered much attention as a viable alternative to
bypass these limitations, especially in the prediction of solid-state band
gaps, which motivated this research study. Herein, we construct a random forest
regression model for band gaps of double perovskite materials, using a dataset
of 1306 band gaps computed with the GLLBSC (Gritsenko, van Leeuwen, van Lenthe,
and Baerends solid correlation) functional. Among the 20 physical features
employed, we find that the bulk modulus, superconductivity temperature, and
cation electronegativity exhibit the highest importance scores, consistent with
the physics of the underlying electronic structure. Using the top 10 features,
a model accuracy of 85.6% with a root mean square error of 0.64 eV is obtained,
comparable to previous studies. Our results are significant in the sense that
they attest to the potential of machine learning regressions for the rapid
screening of promising candidate functional materials.
- Abstract（参考訳）: 機能性材料の電子構造の予測は新しい装置の工学に不可欠である。
密度汎関数理論(dft)に基づく従来の電子構造予測法は、高い計算コストだけでなく、交換相関関数の近似による精度も制限されている。
機械学習に基づくサーロゲート法は、これらの制限を回避できる代替手段として、特にこの研究の動機となった固体バンドギャップの予測において、多くの注目を集めている。
本稿では,GLLBSC(Gritsenko, van Leeuwen, van Lenthe, Baerends solid correlation)関数で計算された1306個のバンドギャップのデータセットを用いて,二重ペロブスカイト材料のバンドギャップに対するランダムな森林回帰モデルを構築した。
20個の物理特性のうち, バルク率, 超伝導温度, 陽イオン電子陰性度が最も重要であり, 基礎となる電子構造の物理値と一致している。
トップ10の特徴を用いて、ルート平均二乗誤差0.64evの85.6%のモデル精度が得られる。
この結果は,期待できる機能材料を迅速にスクリーニングするために,機械学習による回帰の可能性を実証するという意味で重要である。
関連論文リスト
- Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。
この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
論文 参考訳（メタデータ） (2024-12-17T15:05:33Z) - Physics-Informed Deep Learning Model for Line-integral Diagnostics Across Fusion Devices [20.883836707493213]
線積分測定による2次元プラズマプロファイルの迅速再構築は核融合において重要である。
本稿では、オニオンと呼ばれる物理インフォームドモデルアーキテクチャを導入し、モデルの性能を向上させる。
論文 参考訳（メタデータ） (2024-11-27T08:15:23Z) - 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) - Tight Stability, Convergence, and Robustness Bounds for Predictive Coding Networks [60.3634789164648]
予測符号化(PC)のようなエネルギーベースの学習アルゴリズムは、機械学習コミュニティにおいて大きな注目を集めている。
動的システム理論のレンズを用いて,PCの安定性,堅牢性,収束性を厳密に解析する。
論文 参考訳（メタデータ） (2024-10-07T02:57:26Z) - Machine learning Hubbard parameters with equivariant neural networks [0.0]
等変ニューラルネットワークに基づく機械学習モデルを提案する。
ここでは,繰り返し線形応答計算を用いて自己整合的に計算したハバードパラメータの予測を行う。
本モデルでは,Hubbard $U$および$V$パラメータの平均絶対相対誤差を平均3%,5%とする。
論文 参考訳（メタデータ） (2024-06-04T16:21:24Z) - Estimation of Electronic Band Gap Energy From Material Properties Using
Machine Learning [0.0]
本稿では,材料バンドギャップエネルギーを迅速に予測できる機械学習駆動モデルを提案する。
我々のモデルは、DFTに基づく予備的な計算や、材料の構造に関する知識を必要としない。
物質科学におけるMLモデルの性能を比較するための新しい評価手法を提案する。
論文 参考訳（メタデータ） (2024-03-08T07:32:28Z) - Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。
本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-12-08T21:56:19Z) - Comparison of Optical Response from DFT Random Phase Approximation and
Low-Energy Effective Model: Strained Phosphorene [0.0]
低エネルギー有効モデルと密度汎関数理論(DFT)の両方を用いて分散誘電率テンソルを比較して比較する。
この結果から, 広く使用されているDFTパッケージのランダム位相近似は, 信頼性の高い材料の基本電子特性を予測できるように再検討し, 改善することが示唆された。
論文 参考訳（メタデータ） (2021-09-01T18:00:06Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳（メタデータ） (2021-06-17T00:49:55Z) - 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) - OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted
Atomic-Orbital Features [42.96944345045462]
textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。
薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
論文 参考訳（メタデータ） (2020-07-15T22:38:41Z)
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。