論文の概要: Electronic structure prediction of medium and high entropy alloys across composition space

• arxiv url: http://arxiv.org/abs/2410.08294v1
• Date: Thu, 10 Oct 2024 18:29:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 04:16:13.230720
• Title: Electronic structure prediction of medium and high entropy alloys across composition space
• Title（参考訳）: 組成空間における中高エントロピー合金の電子構造予測
• Authors: Shashank Pathrudkar, Stephanie Taylor, Abhishek Keripale, Abhijeet Sadashiv Gangan, Ponkrshnan Thiagarajan, Shivang Agarwal, Jaime Marian, Susanta Ghosh, Amartya S. Banerjee,
• Abstract要約: 本研究では,集中型合金の組成空間における電子密度を予測するための機械学習モデルを提案する。 トレーニングデータ要求を最小限に抑えるためにベイジアンアクティブラーニング(AL)を採用している。 本モデルでは, 電子密度とエネルギーの両方を合成空間にわたって予測する際の精度と一般化性を示す。
• 参考スコア（独自算出の注目度）: 4.556522329713242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose machine learning (ML) models to predict the electron density -- the fundamental unknown of a material's ground state -- across the composition space of concentrated alloys. From this, other physical properties can be inferred, enabling accelerated exploration. A significant challenge is that the number of sampled compositions and descriptors required to accurately predict fields like the electron density increases rapidly with species. To address this, we employ Bayesian Active Learning (AL), which minimizes training data requirements by leveraging uncertainty quantification capabilities of Bayesian Neural Networks. Compared to strategic tessellation of the composition space, Bayesian-AL reduces the number of training data points by a factor of 2.5 for ternary (SiGeSn) and 1.7 for quaternary (CrFeCoNi) systems. We also introduce easy-to-optimize, body-attached-frame descriptors, which respect physical symmetries and maintain approximately the same descriptor-vector size as alloy elements increase. Our ML models demonstrate high accuracy and generalizability in predicting both electron density and energy across composition space.
• Abstract（参考訳）: 濃縮合金の組成空間全体にわたって、材料基底状態の基本的な未知である電子密度を予測する機械学習(ML)モデルを提案する。 このことから、他の物理的性質を推測することができ、探索を加速することができる。 重要な課題は、電子密度のような分野を正確に予測するために必要なサンプル組成と記述子の数が、種によって急速に増加することである。 これを解決するためにベイジアンアクティブラーニング(AL)を用い、ベイジアンニューラルネットワークの不確実性定量化機能を活用することで、トレーニングデータ要求を最小限にする。 合成空間の戦略的テッセル化と比較すると、ベイジアンアルは3次(SiGeSn)の2.5倍、四次(CrFeCoNi)の1.7倍の訓練データ点数を減少させる。 また, 物理的対称性を尊重し, 合金元素の増加に伴ってほぼ同程度の大きさのディスクリプタ・ベクトルサイズを維持する, 容易に最適化できるボディアタッチメントフレームディスクリプタも導入した。 我々のMLモデルは、構成空間をまたいだ電子密度とエネルギーの予測において高い精度と一般化性を示す。

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)
• A Recipe for Charge Density Prediction [4.017525264569417]
  機械学習手法は、電荷密度の予測を著しく加速させることで有望である。 精度とスケーラビリティを両立できるレシピを提案する。 提案手法は,従来の手法よりも1桁以上高速でありながら,最先端の精度を実現する。
  論文  参考訳（メタデータ） (2024-05-29T17:07:24Z)
• Thermalization and Criticality on an Analog-Digital Quantum Simulator [133.58336306417294]
  本稿では,69個の超伝導量子ビットからなる量子シミュレータについて述べる。 古典的Kosterlitz-Thouless相転移のシグネチャと,Kibble-Zurekスケール予測からの強い偏差を観測する。 本システムは, 対角二量体状態でディジタル的に調製し, 熱化時のエネルギーと渦の輸送を画像化する。
  論文  参考訳（メタデータ） (2024-05-27T17:40:39Z)
• Electronic Structure Prediction of Multi-million Atom Systems Through Uncertainty Quantification Enabled Transfer Learning [5.4875371069660925]
  基底状態電子密度 -- コーン・シャム密度汎関数理論(KS-DFT)シミュレーションで得られる -- は、豊富な物質情報を含んでいる。 しかし、KS-DFTの計算コストは、トレーニングデータ生成を妨害する傾向にあるシステムサイズと3倍にスケールする。 ここでは,この基本的課題に,移動学習を用いて学習データのマルチスケールな性質を活用する。
  論文  参考訳（メタデータ） (2023-08-24T21:41:29Z)
• Photonic Quantum Computing For Polymer Classification [62.997667081978825]
  2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。 高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2022-11-22T11:59:52Z)
• Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
  グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。 本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-15T13:52:15Z)
• Electronic-structure properties from atom-centered predictions of the electron density [0.0]
  分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。 最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。 予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-28T15:35:55Z)
• Prediction of the electron density of states for crystalline compounds with Atomistic Line Graph Neural Networks (ALIGNN) [0.0]
  本稿では、最近開発されたAtomistic Line Graph Neural Network(ALIGNN)を拡張して、大量の材料ユニットセル構造のDOSを正確に予測する。 本研究では, 直接離散化スペクトルと, オートエンコーダを用いた圧縮低次元表現の2つの方法を評価する。
  論文  参考訳（メタデータ） (2022-01-20T18:28:22Z)
• 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)
• DeepDFT: Neural Message Passing Network for Accurate Charge Density Prediction [0.0]
  DeepDFTは原子周辺の電子電荷密度を予測するためのディープラーニングモデルである。 モデルの精度とスケーラビリティは、分子、固体、液体に対して実証される。
  論文  参考訳（メタデータ） (2020-11-04T16:56:08Z)
• 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)

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。