論文の概要: Predicting Many Properties of Crystals by a Single Deep Learning Model

• arxiv url: http://arxiv.org/abs/2405.18944v1
• Date: Wed, 29 May 2024 09:56:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-30 17:39:58.571077
• Title: Predicting Many Properties of Crystals by a Single Deep Learning Model
• Title（参考訳）: 単一深層学習モデルによる結晶の諸特性予測
• Authors: Haosheng Xu, Dongheng Qian, Jing Wang,
• Abstract要約: 本稿では,空間群,要素,単位セル情報を統合したトランスフォーマーベースのフレームワークであるCrystalBERTを紹介する。 これらの特徴を全て取り入れることで、以前の研究を超越し、以前に分類されたトポロジカルな資料を同定し、トポロジカルな分類において91%の精度を達成できる。
• 参考スコア（独自算出の注目度）: 2.7892599615881144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The use of machine learning methods for predicting the properties of crystalline materials encounters significant challenges, primarily related to input encoding, output versatility, and interpretability. Here, we introduce CrystalBERT, an adaptable transformer-based framework with novel structure that integrates space group, elemental, and unit cell information. The method's adaptability lies not only in its ability to seamlessly combine diverse features but also in its capability to accurately predict a wide range of physically important properties, including topological properties, superconducting transition temperatures, dielectric constants, and more. CrystalBERT also provides insightful physical interpretations regarding the features that most significantly influence the target properties. Our findings indicate that space group and elemental information are more important for predicting topological and superconducting properties, in contrast to some properties that primarily depend on the unit cell information. This underscores the intricate nature of topological and superconducting properties. By incorporating all these features, we achieve a high accuracy of 91% in topological classification, surpassing prior studies and identifying previously misclassified topological materials, further demonstrating the effectiveness of our model.
• Abstract（参考訳）: 結晶材料の特性を予測するための機械学習手法の使用は、主に入力符号化、出力の汎用性、解釈可能性に関連する重要な課題に直面する。 本稿では、空間群、要素情報、単位セル情報を統合する新しい構造を持つ適応型トランスフォーマーベースのフレームワークであるCrystalBERTを紹介する。 この手法の適応性は、様々な特徴をシームレスに組み合わせるだけでなく、トポロジカルな性質、超伝導転移温度、誘電率など、幅広い物理的に重要な特性を正確に予測する能力にも関係している。 CrystalBERTはまた、ターゲットプロパティに最も大きな影響を及ぼす特徴について、洞察に富んだ物理的解釈を提供する。 その結果, 空間群と元素情報は, 主に単位セル情報に依存する性質とは対照的に, トポロジカル・超伝導特性の予測に重要であることが示唆された。 このことは、トポロジカルおよび超伝導特性の複雑な性質を浮き彫りにする。 これらの特徴を全て取り入れることで、従来の研究を超越し、以前は分類されていなかったトポロジカルな素材を同定し、トポロジカルな分類の精度を91%向上させ、モデルの有効性を実証する。

関連論文リスト

• Crystalformer: Infinitely Connected Attention for Periodic Structure Encoding [10.170537065646323]
  結晶構造から材料の物性を予測することは、材料科学の基本的な問題である。 結晶構造が無限に繰り返し、原子の周期的な配列であり、完全に連結された注意が無限に連結された注意をもたらすことを示す。 本稿では, 結晶構造に対する簡単なトランスフォーマーベースエンコーダアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-03-18T11:37:42Z)
• AI-accelerated Discovery of Altermagnetic Materials [48.261668305411845]
  新たな磁気相であるオルテルマグネティズムは、強磁性と反強磁性とを区別して理論的に提案され、実験的に検証されている。 本稿では,AI検索エンジンによる自動発見手法を提案する。 金属、半導体、絶縁体をカバーする新しい50の磁気材料を発見しました。
  論文  参考訳（メタデータ） (2023-11-08T01:06:48Z)
• Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
  本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。 本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。 その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
  論文  参考訳（メタデータ） (2023-10-07T21:36:55Z)
• Efficient Surrogate Models for Materials Science Simulations: Machine Learning-based Prediction of Microstructure Properties [0.0]
  いくつかの機械学習アルゴリズムがこれらの科学分野に応用され、シミュレーションモデルや代理モデルを強化し、加速している。 材料科学分野の2つの異なるデータセットに基づいて,6つの機械学習技術の応用について検討する。
  論文  参考訳（メタデータ） (2023-09-01T07:29:44Z)
• Interpretable Ensemble Learning for Materials Property Prediction with Classical Interatomic Potentials: Carbon as an Example [3.848961327213375]
  機械学習(ML)は結晶材料の探索や特性の予測に広く用いられている。 回帰木からなるアンサンブル学習に基づく手法を提案し, 生成エネルギーと弾性定数を予測する。 記述子を使用しなければ、入力は9つの古典的原子間ポテンシャルを持つ分子動力学によって計算される特性である。
  論文  参考訳（メタデータ） (2023-07-24T19:10:13Z)
• StrainTensorNet: Predicting crystal structure elastic properties using SE(3)-equivariant graph neural networks [1.9260081982051918]
  結晶構造の弾性特性を効率的に予測するための新しいデータ駆動手法を提案する。 このアプローチは、最近のデータ駆動研究に匹敵する精度で重要なスカラー弾性変調をもたらす。
  論文  参考訳（メタデータ） (2023-06-22T11:34:08Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• What Image Features Boost Housing Market Predictions? [81.32205133298254]
  本稿では,予測アルゴリズムにおける効率的な数値包摂のための視覚特徴抽出手法を提案する。 本稿では,シャノンのエントロピー,重心計算,画像分割,畳み込みニューラルネットワークなどの手法について論じる。 ここで選択された40の画像特徴のセットは、かなりの量の予測能力を持ち、最も強力なメタデータ予測器よりも優れています。
  論文  参考訳（メタデータ） (2021-07-15T06:32:10Z)
• The role of feature space in atomistic learning [62.997667081978825]
  物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。 異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。 原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
  論文  参考訳（メタデータ） (2020-09-06T14:12:09Z)
• 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)
• Topological Descriptors Help Predict Guest Adsorption in Nanoporous Materials [0.09668407688201358]
  持続的ホモロジーを用いて様々なスケールでナノ多孔質材料の幾何学を記述する。 トポロジカルディスクリプタを従来の構造特徴と組み合わせて,予測タスクに対するそれぞれの相対的重要性について検討する。
  論文  参考訳（メタデータ） (2020-01-16T18:08:25Z)

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。