論文の概要: InvDesFlow: An AI search engine to explore possible high-temperature superconductors
- arxiv url: http://arxiv.org/abs/2409.08065v2
- Date: Mon, 02 Dec 2024 14:29:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-03 16:54:47.050442
- Title: InvDesFlow: An AI search engine to explore possible high-temperature superconductors
- Title（参考訳）: InvDesFlow:高温超伝導体を探索するAI検索エンジン
- Authors: Xiao-Qi Han, Zhenfeng Ouyang, Peng-Jie Guo, Hao Sun, Ze-Feng Gao, Zhong-Yi Lu,
- Abstract要約: InvDesFlowは、深層モデルの事前トレーニングと微調整技術、拡散モデル、物理ベースのアプローチを統合するAI検索エンジンである。
非常に小さなサンプルセットに基づいて,AIモデルにより予測される臨界温度がT_c geq$15Kと予測された74個の動的安定材料を得た。
- 参考スコア（独自算出の注目度）: 9.926621857444765
- License:
- Abstract: The discovery of new superconducting materials, particularly those exhibiting high critical temperature ($T_c$), has been a vibrant area of study within the field of condensed matter physics. Conventional approaches primarily rely on physical intuition to search for potential superconductors within the existing databases. However, the known materials only scratch the surface of the extensive array of possibilities within the realm of materials. Here, we develop InvDesFlow, an AI search engine that integrates deep model pre-training and fine-tuning techniques, diffusion models, and physics-based approaches (e.g., first-principles electronic structure calculation) for the discovery of high-$T_c$ superconductors. Utilizing InvDesFlow, we have obtained 74 dynamically stable materials with critical temperatures predicted by the AI model to be $T_c \geq$ 15 K based on a very small set of samples. Notably, these materials are not contained in any existing dataset. Furthermore, we analyze trends in our dataset and individual materials including B$_4$CN$_3$ (at 5 GPa) and B$_5$CN$_2$ (at ambient pressure) whose $T_c$s are 24.08 K and 15.93 K, respectively. We demonstrate that AI technique can discover a set of new high-$T_c$ superconductors, outline its potential for accelerating discovery of the materials with targeted properties.
- Abstract（参考訳）: 新しい超伝導材料、特に高温の超伝導材料(T_c$)の発見は、凝縮物質物理学の分野において活発な研究領域となっている。
従来のアプローチは主に、既存のデータベース内の潜在的超伝導体を探すための物理的な直観に依存している。
しかし、既知の物質は、物質の領域内での様々な可能性の表面のみを掻き傷ている。
本稿では,高T_c$超伝導体発見のための深層モデル事前学習技術と微調整技術,拡散モデル,物理に基づくアプローチ(例えば電子構造計算)を統合したAI検索エンジンInvDesFlowを開発する。
InvDesFlowを利用することで、非常に小さなサンプルセットに基づいて、AIモデルによって予測される臨界温度の74の動的安定材料を$T_c \geq$15Kとした。
特に、これらの材料は既存のデータセットには含まれていない。
さらに,B$_4$CN$_3$ (5 GPa) とB$_5$CN$_2$ (周囲圧力下で) のT_c$s はそれぞれ24.08K と 15.93K である。
我々は、AI技術が新しい高いT_c$超伝導体を発見できることを実証し、ターゲットとなる特性を持つ材料の発見を加速する可能性について概説する。
関連論文リスト
- Hierarchy-Boosted Funnel Learning for Identifying Semiconductors with Ultralow Lattice Thermal Conductivity [2.186828191026978]
超低格子熱伝導率半導体(Kappa_mathrmL$)の同定に成功している階層型ファンネル学習(HiBoFL)フレームワークを提案する。
数十万のプールから教師なし学習を対象とする数百の教材をトレーニングすることにより、超低値のKappa_mathrmL$の効率的かつ解釈可能な教師付き予測を実現する。
その結果、潜在的な熱電応用のために、超低い$kappa_mathrmL$の候補のリストを提供し、大きな影響を及ぼす新しい因子を発見する。
論文 参考訳（メタデータ） (2025-01-12T11:03:09Z) - Deep Learning Based Superconductivity: Prediction and Experimental Tests [2.78539995173967]
我々は,新しい超伝導材料を予測するために,深層学習(DL)に基づくアプローチを開発する。
DLネットワークから得られた化合物を合成し,超伝導特性を確認した。
特に、RFは化合物の化学化学的性質の知識を必要とするが、ニューラルネットワークの入力は化学組成にのみ依存する。
論文 参考訳（メタデータ） (2024-12-17T15:33:48Z) - The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
注水液の音響・視覚観測と物理の関連性について検討した。
本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
論文 参考訳（メタデータ） (2024-11-18T01:19:37Z) - 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) - Accelerating superconductor discovery through tempered deep learning of
the electron-phonon spectral function [0.0]
深層学習モデルを用いて電子フォノンスペクトル関数, $alpha2F(omega)$を予測する。
次に、サイトが提案するフォノン密度状態のドメイン知識を組み込んで、モデルのノード属性に帰納バイアスを課し、予測を強化する。
この方法の革新は、MAEを0.18、29K、28Kに減少させ、それぞれ2.1KのMAEを$T_c$とする。
論文 参考訳（メタデータ） (2024-01-29T22:44:28Z) - 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) - 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) - Prediction of superconducting properties of materials based on machine
learning models [3.7492020569920723]
本論文は超伝導体同定にXGBoostモデルを用いることを提案する。
深部森林モデルによる超伝導体の臨界温度の予測
ディープフォレストの最初の応用による材料のバンドギャップの予測
フェルミエネルギーレベルを予測する最初のサブネットワークモデル。
論文 参考訳（メタデータ） (2022-11-06T10:24:21Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳（メタデータ） (2021-06-17T00:49:55Z) - 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) - Interpretable discovery of new semiconductors with machine learning [10.09604500193621]
DARWIN(Deep Adaptive Regressive Weighted Intelligent Network)という実験バンドギャップに対してベンチマークされたハイブリッド機能的DFTデータに基づいて訓練されたマシンラーニングサロゲートモデルを用いた進化的アルゴリズムによる探索を報告する。
この戦略は、対象特性を持つ候補に対して、10$8$3aryと10$11$4ternaries$7$の材料空間の効率的な探索を可能にする。
論文 参考訳（メタデータ） (2021-01-12T10:23:16Z)
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。