Fugu-MT 論文翻訳(概要): Dielectric Tensor Prediction for Inorganic Materials Using Latent Information from Preferred Potential

論文の概要: Dielectric Tensor Prediction for Inorganic Materials Using Latent Information from Preferred Potential

arxiv url: http://arxiv.org/abs/2405.09052v1
Date: Wed, 15 May 2024 02:58:19 GMT
ステータス: 処理完了
システム内更新日: 2024-05-16 14:35:45.964119
Title: Dielectric Tensor Prediction for Inorganic Materials Using Latent Information from Preferred Potential
Title（参考訳）: 遅延情報を用いた無機材料の誘電体テンソル予測
Authors: Zetian Mao, Wenwen Li, Jethro Tan,
Abstract要約: 誘電体はフラッシュメモリ、中央処理ユニット、太陽光発電、コンデンサなどに広く応用されている材料である。本研究は、普遍的ニューラルネットワークポテンシャルから導かれる共通同変構造埋め込み特性の値を示す。
参考スコア（独自算出の注目度）: 2.6531366443213846
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Dielectrics are materials with widespread applications in flash memory, central processing units, photovoltaics, capacitors, etc. However, the availability of public dielectric data remains limited, hindering research and development efforts. Previously, machine learning models focused on predicting dielectric constants as scalars, overlooking the importance of dielectric tensors in understanding material properties under directional electric fields for material design and simulation. This study demonstrates the value of common equivariant structural embedding features derived from a universal neural network potential in enhancing the prediction of dielectric properties. To integrate channel information from various-rank latent features while preserving the desired SE(3) equivariance to the second-rank dielectric tensors, we design an equivariant readout decoder to predict the total, electronic, and ionic dielectric tensors individually, and compare our model with the state-of-the-art models. Finally, we evaluate our model by conducting virtual screening on thermodynamical stable structure candidates in Materials Project. The material Ba\textsubscript{2}SmTaO\textsubscript{6} with large band gaps ($E_g=3.36 \mathrm{eV}$) and dielectric constants ($\epsilon=93.81$) is successfully identified out of the 14k candidate set. The results show that our methods give good accuracy on predicting dielectric tensors of inorganic materials, emphasizing their potential in contributing to the discovery of novel dielectrics.
Abstract（参考訳）: 誘電体はフラッシュメモリ、中央処理ユニット、太陽光発電、コンデンサなどに広く応用されている材料である。しかし、公開誘電体データの利用は依然として限られており、研究や開発が妨げられている。従来、機械学習モデルは誘電率をスカラーとして予測することに集中しており、材料設計とシミュレーションのための方向性電場下での材料特性を理解する上での誘電率テンソルの重要性を見越していた。本研究は、誘電特性の予測を高めるために、普遍的ニューラルネットワーク電位から導かれる共通同変構造埋め込み特性の値を示す。所望のSE(3)を第2ランク誘電体テンソルに同値に保ったまま,各種潜電体特性からのチャネル情報を統合するため,同変読み出し復号器を設計し,全,電子,イオン誘電体テンソルを個別に予測し,そのモデルと最先端モデルとの比較を行った。最後に, 物質計画における熱力学的安定構造候補の仮想スクリーニングにより, モデルの評価を行った。 14k候補セットのうち、大きなバンドギャップ(E_g=3.36 \mathrm{eV}$)と誘電定数(\epsilon=93.81$)を有する材料Ba\textsubscript{2}SmTaO\textsubscript{6}を同定する。その結果, 無機材料の誘電体テンソルの予測精度は良好であり, 新規誘電体発見に寄与する可能性を強調した。

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)
Pushing the Pareto front of band gap and permittivity: ML-guided search for dielectric materials [0.0]
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。
論文参考訳（メタデータ） (2024-01-11T11:38:20Z)
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)
On the importance of catalyst-adsorbate 3D interactions for relaxed energy predictions [98.70797778496366]
吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
論文参考訳（メタデータ） (2023-10-10T14:57:04Z)
Imaging ferroelectric domains with a single-spin scanning quantum sensor [0.0]
ここでは, 走査型窒素空孔顕微鏡を用いて圧電・不適切な強誘電体中のドメインパターンを画像化する。環境条件下での電場と磁場の両方を測定する能力は、多官能・多官能材料やデバイスの研究にエキサイティングな機会をもたらす。
論文参考訳（メタデータ） (2022-12-15T15:41:53Z)
Machine learning based prediction of the electronic structure of quasi-one-dimensional materials under strain [0.0]
準1次元材料の電子構造を予測できる機械学習モデルを提案する。この技術はナノチューブ、ナノリボン、ナノワイヤ、ナノアセンブリといった重要な材料に適用される。
論文参考訳（メタデータ） (2022-02-02T09:32:03Z)
A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文参考訳（メタデータ） (2021-10-26T07:02:14Z)
Engineering the Radiative Dynamics of Thermalized Excitons with Metal Interfaces [58.720142291102135]
平面金属界面近傍のTMDCにおける励起子の発光特性を解析した。点双極子の場合に対する放出の抑制または増強は、数桁のオーダーで達成される。ナノスケールの光学キャビティは、TMDCの長寿命エキシトン状態を生成するための有効な経路である。
論文参考訳（メタデータ） (2021-10-11T19:40:24Z)
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)
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。