論文の概要: Northeast Materials Database (NEMAD): Enabling Discovery of High Transition Temperature Magnetic Compounds
- arxiv url: http://arxiv.org/abs/2409.15675v1
- Date: Tue, 24 Sep 2024 02:27:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-26 11:19:39.661870
- Title: Northeast Materials Database (NEMAD): Enabling Discovery of High Transition Temperature Magnetic Compounds
- Title（参考訳）: 北東物質データベース(NEMAD):高温磁性化合物の発見
- Authors: Suman Itani, Yibo Zhang, Jiadong Zang,
- Abstract要約: 本研究では,Large Language Models (LLMs) を用いて,総合的かつ実験的な磁気材料データベースを構築した。
データベースには化学組成、磁気相転移温度、構造の詳細、磁気特性が組み込まれている。
機械学習モデルは材料を分類し、遷移温度を予測するために開発された。
- 参考スコア（独自算出の注目度）: 1.1856958240619673
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The discovery of novel magnetic materials with greater operating temperature ranges and optimized performance is essential for advanced applications. Current data-driven approaches are challenging and limited due to the lack of accurate, comprehensive, and feature-rich databases. This study aims to address this challenge by introducing a new approach that uses Large Language Models (LLMs) to create a comprehensive, experiment-based, magnetic materials database named the Northeast Materials Database (NEMAD), which consists of 26,706 magnetic materials (www.nemad.org). The database incorporates chemical composition, magnetic phase transition temperatures, structural details, and magnetic properties. Enabled by NEMAD, machine learning models were developed to classify materials and predict transition temperatures. Our classification model achieved an accuracy of 90% in categorizing materials as ferromagnetic (FM), antiferromagnetic (AFM), and non-magnetic (NM). The regression models predict Curie (N\'eel) temperature with a coefficient of determination (R2) of 0.86 (0.85) and a mean absolute error (MAE) of 62K (32K). These models identified 62 (19) FM (AFM) candidates with a predicted Curie (N\'eel) temperature above 500K (100K) from the Materials Project. This work shows the feasibility of combining LLMs for automated data extraction and machine learning models in accelerating the discovery of magnetic materials.
- Abstract（参考訳）: 高い運転温度範囲と最適化された性能を持つ新しい磁性材料の発見は、先進的な応用に不可欠である。
現在のデータ駆動アプローチは、正確で包括的で機能豊富なデータベースがないため、困難で制限されている。
本研究の目的は,大規模言語モデル(LLMs)を用いて,26,706個の磁気材料(www.nemad.org)からなる北東物質データベース(NEMAD)という,総合的かつ実験的な磁気材料データベースを構築することにある。
データベースには化学組成、磁気相転移温度、構造の詳細、磁気特性が組み込まれている。
NEMADによって実現された機械学習モデルは、材料を分類し、遷移温度を予測するために開発された。
我々の分類モデルは、強磁性(FM)、反強磁性(AFM)、非磁性(NM)の分類において90%の精度を達成した。
回帰モデルは、決定係数(R2)が0.86(0.85)、平均絶対誤差(MAE)が62K(32K)であるキュリー(N\'eel)温度を予測する。
これらのモデルでは、材料計画から予想されるキュリー温度が500K (100K)を超える62 (19) FM (AFM)候補が特定された。
この研究は、自動データ抽出と機械学習モデルにLLMを組み合わせることで、磁性材料の発見を加速する可能性を示している。
関連論文リスト
- 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) - Imaging magnetism evolution of magnetite to megabar pressure range with
quantum sensors in diamond anvil cell [57.91882523720623]
我々は,高感度・サブスケール空間分解能を有するメガバール圧力のその場磁気検出技術を開発した。
強強強磁性体(アルファ-Fe3O4)から弱い強磁性体(ベータ-Fe3O4)、最後に非磁性体(ガンマ-Fe3O4)への大気圧域におけるFe3O4のマクロ磁気遷移を観察する。
提案手法は磁気系のスピン軌道結合と磁気-超伝導の競合について検討することができる。
論文 参考訳（メタデータ） (2023-06-13T15:19:22Z) - Magnetic Electrides: High-Throughput Material Screening, Intriguing
Properties, and Applications [5.368582200742036]
51個の磁性電解質を同定し, それぞれ独自のトポロジカル状態とN2固定性に優れた触媒特性を示した。
磁性電解質の新規な性質は、スピントロニクス、トポロジカルエレクトロニクス、電子放出および高性能触媒としての可能性を示している。
論文 参考訳（メタデータ） (2023-03-16T11:05:23Z) - An ultra-low field SQUID magnetometer for measuring antiferromagnetic
and weakly remanent magnetic materials at low temperatures [0.0]
この装置は高感度のスーパー伝導量子干渉デバイス(SQUID)磁気センサを備え、磁気分解能は約10 fTである。
磁気感受性効果を最小限に抑えるため、設定部品は脱ガスされ、試料近傍のプラスチック材料で実現される。
論文 参考訳（メタデータ） (2022-11-23T11:53:20Z) - A machine-learning-based tool for last closed magnetic flux surface
reconstruction on tokamak [58.42256764043771]
トカマク装置による核融合発電は、クリーンエネルギーの持続可能な供給源として最も有望な方法の1つである。
トカマクの主な課題は、アクチュエータコイルと内部トカマクプラズマの相互作用によって決定される最後の閉じた磁束面(LCFS)を予測することである。
本研究では,実験データから自動的に学習する実験用超電導トカマク(EAST)からLCFSを再構築する機械学習モデルを提案する。
論文 参考訳（メタデータ） (2022-07-12T17:15:29Z) - Building Open Knowledge Graph for Metal-Organic Frameworks (MOF-KG):
Challenges and Case Studies [63.61566811532431]
金属有機フレームワーク(MOF)は、ガス貯蔵、分子分離、化学センシング、結晶および薬物のデリバリーといった応用に革命をもたらす大きな可能性を持っている。
ケンブリッジ構造データベース(CSD)は10,636個のMOF結晶を報告しており、これには114,373個のMOF構造が含まれる。
本稿では,MOF予測,発見,合成を容易にする知識グラフ手法の活用に向けた取り組みについて述べる。
論文 参考訳（メタデータ） (2022-07-10T16:41:11Z) - Predictions of Electromotive Force of Magnetic Shape Memory Alloy (MSMA)
Using Constitutive Model and Generalized Regression Neural Network [0.0]
強磁性形状記憶合金(MSMA)は室温での磁場印加による形状記憶効果を示す。
この研究は、Ni-Mn-Ga単結晶の既存のマクロスケール磁気力学モデルに新しい特徴を導入した。
モデル予測は、Ni-Mn-Ga単結晶上で収集された実験データと比較される。
論文 参考訳（メタデータ） (2022-06-08T06:38:33Z) - Prediction of Large Magnetic Moment Materials With Graph Neural Networks
and Random Forests [0.0]
強磁性材料の無機結晶構造データベースを走査するために,最先端の機械学習手法を用いる。
ランダムな森林では,化学組成と結晶構造に基づいて100近い関連する記述子を選択する手法を用いる。
我々は、大きな磁気モーメントを持ち、まだ実験的に研究されていない15の物質を発見した。
論文 参考訳（メタデータ） (2021-11-29T17:09:37Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - 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)
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。