論文の概要: Dielectric Tensor Prediction for Inorganic Materials Using Latent Information from Preferred Potential
- arxiv url: http://arxiv.org/abs/2405.09052v2
- Date: Mon, 9 Sep 2024 18:09:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-11 23:03:57.278671
- 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、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。
- 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 crucial for technologies like flash memory, CPUs, photovoltaics, and capacitors, but public data on these materials are scarce, restricting research and development. Existing machine learning models have focused on predicting scalar polycrystalline dielectric constants, neglecting the directional nature of dielectric tensors essential for material design. This study leverages multi-rank equivariant structural embeddings from a universal neural network potential to enhance predictions of dielectric tensors. We develop an equivariant readout decoder to predict total, electronic, and ionic dielectric tensors while preserving O(3) equivariance, and benchmark its performance against state-of-the-art algorithms. Virtual screening of thermodynamically stable materials from Materials Project for two discovery tasks, high-dielectric and highly anisotropic materials, identifies promising candidates including Cs2Ti(WO4)3 (band gap $E_g=2.93 \mathrm{eV}$, dielectric constant $\varepsilon=180.90$) and CsZrCuSe3 (anisotropic ratio $\alpha_r = 121.89$). The results demonstrate our model's accuracy in predicting dielectric tensors and its potential for discovering novel dielectric materials.
- Abstract(参考訳): 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は不可欠だが、これらの材料に関する公開データは乏しく、研究と開発を制限している。
既存の機械学習モデルは、材料設計に不可欠な誘電体テンソルの方向性を無視し、スカラー多結晶誘電体定数を予測することに重点を置いている。
本研究は,誘電体テンソルの予測を強化するために,普遍的ニューラルネットワーク電位からの多ランク同変構造埋め込みを利用する。
我々は,O(3)の等価性を保ちながら全,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,その性能を最先端のアルゴリズムと比較した。
高誘電率および高異方性材料であるマテリアルプロジェクトからの熱力学的安定物質の仮想スクリーニングは、Cs2Ti(WO4)3(バンドギャップ$E_g=2.93 \mathrm{eV}$、誘電率$\varepsilon=180.90$)とCsZrCuSe3(異方性比$\alpha_r = 121.89$)を含む有望な候補を特定する。
その結果, 誘電体テンソルの予測精度と新規誘電体材料発見の可能性が示された。
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。