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
- 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) - Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳(メタデータ) (2023-10-18T15:49:39Z) - 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) - 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) - 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) - 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) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳(メタデータ) (2020-05-27T13:32:10Z) - Thermoelectricity in Quantum-Hall Corbino Structures [48.7576911714538]
量子ホール効果系におけるコルビノ構造の熱電応答を測定する。
本研究では, ランダウを部分的に充填した場合, 非常に大きな熱電冷却の効率性を示す数値を予測した。
論文 参考訳(メタデータ) (2020-03-03T19:19:28Z)
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。