Fugu-MT 論文翻訳(概要): Pushing the Pareto front of band gap and permittivity: ML-guided search for dielectric materials

論文の概要: Pushing the Pareto front of band gap and permittivity: ML-guided search for dielectric materials

arxiv url: http://arxiv.org/abs/2401.05848v1
Date: Thu, 11 Jan 2024 11:38:20 GMT
ステータス: 処理完了
システム内更新日: 2024-01-12 15:01:43.023679
Title: Pushing the Pareto front of band gap and permittivity: ML-guided search for dielectric materials
Title（参考訳）: バンドギャップと誘電率のパレート前部を押す:ML誘導誘電体探索
Authors: Janosh Riebesell, T. Wesley Surta, Rhys Goodall, Michael Gaultois, Alpha A Lee
Abstract要約: 高誘電率の材料は外部電界下で容易に偏極し、現代の電子機器で必須の機能を発揮する。本稿では, 要素置換, ML前スクリーニング, アブイニシアチブシミュレーション, 人間の専門家直観を組み合わせて, 未知の物質の広大な空間を探索するワークフローを提案する。比誘電率2.27 eV,誘電率20.5のBi2Zr2O7の高純度合成とキャラクタリゼーションを行った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Materials with high-dielectric constant easily polarize under external electric fields, allowing them to perform essential functions in many modern electronic devices. Their practical utility is determined by two conflicting properties: high dielectric constants tend to occur in materials with narrow band gaps, limiting the operating voltage before dielectric breakdown. We present a high-throughput workflow that combines element substitution, ML pre-screening, ab initio simulation and human expert intuition to efficiently explore the vast space of unknown materials for potential dielectrics, leading to the synthesis and characterization of two novel dielectric materials, CsTaTeO6 and Bi2Zr2O7. Our key idea is to deploy ML in a multi-objective optimization setting with concave Pareto front. While usually considered more challenging than single-objective optimization, we argue and show preliminary evidence that the $1/x$-correlation between band gap and permittivity in fact makes the task more amenable to ML methods by allowing separate models for band gap and permittivity to each operate in regions of good training support while still predicting materials of exceptional merit. To our knowledge, this is the first instance of successful ML-guided multi-objective materials optimization achieving experimental synthesis and characterization. CsTaTeO6 is a structure generated via element substitution not present in our reference data sources, thus exemplifying successful de-novo materials design. Meanwhile, we report the first high-purity synthesis and dielectric characterization of Bi2Zr2O7 with a band gap of 2.27 eV and a permittivity of 20.5, meeting all target metrics of our multi-objective search.
Abstract（参考訳）: 高誘電率の材料は外部電界下で容易に偏極し、現代の多くの電子デバイスで必須の機能を発揮する。その実用性は2つの相反する性質によって決定される: 高誘電率は狭帯域の材料に発生する傾向があり、絶縁破壊前の動作電圧が制限される。本稿では, 元素置換, ML前スクリーニング, アブイニシオシミュレーション, およびヒト専門家の直感を併用して, 潜在的誘電体のための未知物質の広大な空間を効率的に探索し, CsTaTeO6 と Bi2Zr2O7 という2つの新しい誘電体材料の合成とキャラクタリゼーションを行う。私たちの重要なアイデアは、concave pareto frontによるマルチ目的最適化設定にmlをデプロイすることです。通常、単目的最適化よりも難しいと考えられるが、バンドギャップと誘電率の1/x$相関が実際に、優れたトレーニング支援の領域における各操作に対するバンドギャップと誘電率の分離モデルを許容し、そのタスクがMLメソッドにとってより有益であることを示す予備的証拠を論じ、提示する。我々の知る限り、これはML誘導多目的材料最適化が実験的な合成と特性を達成する最初の事例である。 CsTeTeO6は、基準データソースに存在しない要素置換によって生成される構造であり、デノボ材料設計の成功例である。一方,bi2zr2o7のバンドギャップが2.27 ev,誘電率20.5の高純度合成と誘電特性を報告し,多目的探索のすべての対象指標を満たした。

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)
Dielectric Tensor Prediction for Inorganic Materials Using Latent Information from Preferred Potential [2.6531366443213846]
誘電体はフラッシュメモリ、CPU、太陽光発電、コンデンサといった技術にとって不可欠である。既存の機械学習モデルはスカラー多結晶誘電率の予測に重点を置いている。我々は,全,電子,イオン誘電体テンソルを予測する同変読み出しデコーダを開発した。
論文参考訳（メタデータ） (2024-05-15T02:58:19Z)
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)
Explainable machine learning to enable high-throughput electrical conductivity optimization and discovery of doped conjugated polymers [0.3842866599603452]
ドープポリマー材料の電気伝導度測定に伴うワークフローを高速化する機械学習(ML)手法を提案する。分類モデルは、導電率25〜100S/cmの試料を正確に分類し、最大で100%の精度を達成する。高導電率試料のサブセットについては, 回帰モデルを用いて導電率を予測し, 印象的なR2値 0.984 を得た。
論文参考訳（メタデータ） (2023-08-08T07:38:44Z)
Toward High-Performance Energy and Power Battery Cells with Machine Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
論文参考訳（メタデータ） (2023-07-07T13:48:50Z)
Machine-Learning Prediction of the Computed Band Gaps of Double Perovskite Materials [3.2798940914359056]
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。
論文参考訳（メタデータ） (2023-01-04T08:19:18Z)
Electromagnetically induced transparency in inhomogeneously broadened divacancy defect ensembles in SiC [52.74159341260462]
電磁誘導透過 (EIT) は、光信号と電子スピンの量子コヒーレンスの間に強く堅牢な相互作用を与える現象である。この材料プラットフォームにおいても,計測幾何学の慎重に設計した上で,EITを高視認性で確立できることが示される。本研究は,多層システムにおけるEITの非均一性に対する理解を提供し,半導体の幅広い欠陥に対する考察である。
論文参考訳（メタデータ） (2022-03-18T11:22:09Z)
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)
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)
Quantum Sensors for Microscopic Tunneling Systems [58.720142291102135]
トンネル2層系(TLS)は超伝導量子ビットなどのマイクロファブリック量子デバイスにおいて重要である。本稿では,薄膜として堆積した任意の材料に個々のTLSを特徴付ける手法を提案する。提案手法は, トンネル欠陥の構造を解明するために, 量子材料分光の道を開く。
論文参考訳（メタデータ） (2020-11-29T09:57:50Z)
Polymers for Extreme Conditions Designed Using Syntax-Directed Variational Autoencoders [53.34780987686359]
現在、機械学習ツールは、望まれる特性を持つ材料候補を事実上スクリーニングするために使用される。このアプローチは非効率であり、人間の想像力が知覚できる候補によって厳しく制約されている。文法指向の変分オートエンコーダ(VAE)とガウス過程回帰(GPR)モデルを用いて、3つの極端な条件下で頑健なポリマーを発見する。
論文参考訳（メタデータ） (2020-11-04T21:36:59Z)

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。