論文の概要: Deep Learning Based Superconductivity: Prediction and Experimental Tests
- arxiv url: http://arxiv.org/abs/2412.13012v1
- Date: Tue, 17 Dec 2024 15:33:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-18 13:56:45.959962
- Title: Deep Learning Based Superconductivity: Prediction and Experimental Tests
- Title（参考訳）: 深層学習に基づく超伝導-予測と実験実験-
- Authors: Daniel Kaplan, Adam Zhang, Joanna Blawat, Rongying Jin, Robert J. Cava, Viktor Oudovenko, Gabriel Kotliar, Anirvan M. Sengupta, Weiwei Xie,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.78539995173967
- License:
- Abstract: The discovery of novel superconducting materials is a longstanding challenge in materials science, with a wealth of potential for applications in energy, transportation, and computing. Recent advances in artificial intelligence (AI) have enabled expediting the search for new materials by efficiently utilizing vast materials databases. In this study, we developed an approach based on deep learning (DL) to predict new superconducting materials. We have synthesized a compound derived from our DL network and confirmed its superconducting properties in agreement with our prediction. Our approach is also compared to previous work based on random forests (RFs). In particular, RFs require knowledge of the chem-ical properties of the compound, while our neural net inputs depend solely on the chemical composition. With the help of hints from our network, we discover a new ternary compound $\textrm{Mo}_{20}\textrm{Re}_{6}\textrm{Si}_{4}$, which becomes superconducting below 5.4 K. We further discuss the existing limitations and challenges associated with using AI to predict and, along with potential future research directions.
- Abstract（参考訳）: 新たな超伝導材料の発見は、エネルギー、輸送、コンピューティングの応用に多くの可能性を持つ、材料科学における長年の挑戦である。
近年の人工知能 (AI) の進歩により, 膨大な資料データベースを効率的に活用し, 新たな資料探索の迅速化が図られている。
本研究では,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した。
我々はDLネットワーク由来の化合物を合成し,その超伝導特性を予測した。
我々のアプローチは、ランダム森林(RF)に基づく以前の研究と比較される。
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。
我々のネットワークからのヒントの助けを借りて、5.4 K未満の超伝導となる新しい三元化合物 $\textrm{Mo}_{20}\textrm{Re}_{6}\textrm{Si}_{4}$を見いだす。
関連論文リスト
- Energy-GNoME: A Living Database of Selected Materials for Energy Applications [0.0]
最近のGNoMEプロトコルは、380,000以上の新しい安定結晶を識別している。
我々はエネルギー-GNoMEデータベースを構成するエネルギー材料として33,000以上の物質を潜在的に同定する。
論文 参考訳（メタデータ） (2024-11-15T11:48:14Z) - AI-driven inverse design of materials: Past, present and future [5.813167950821478]
人間は長い間、多数の実験を通じて新しい物質を探索し、新しい物質の性質と構造を予測するための対応する理論システムを提案してきた。
計算能力の向上により、研究者は徐々に様々な電子構造計算手法を開発してきた。
近年,計算機科学分野における人工知能技術の急速な発展により,材料特性と構造との暗黙的関連が効果的に評価されるようになった。
生成的および識別的モデルに基づく素材の逆設計において顕著な進歩が見られ、研究者から広く注目を集めている。
論文 参考訳（メタデータ） (2024-11-14T13:25:04Z) - 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) - Foundation Model for Composite Materials and Microstructural Analysis [49.1574468325115]
複合材料に特化して設計された基礎モデルを提案する。
我々のモデルは、頑健な潜伏特性を学習するために、短繊維コンポジットのデータセット上で事前訓練されている。
転送学習中、MMAEはR2スコアが0.959に達し、限られたデータで訓練しても0.91を超えている均質化剛性を正確に予測する。
論文 参考訳（メタデータ） (2024-11-10T19:06:25Z) - InvDesFlow: An AI search engine to explore possible high-temperature superconductors [9.926621857444765]
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$15Kと予測された74個の動的安定材料を得た。
論文 参考訳（メタデータ） (2024-09-12T14:16:56Z) - AI-accelerated Discovery of Altermagnetic Materials [48.261668305411845]
新たな磁気相であるオルテルマグネティズムは、強磁性と反強磁性とを区別して理論的に提案され、実験的に検証されている。
本稿では,AI検索エンジンによる自動発見手法を提案する。
金属、半導体、絶縁体をカバーする新しい50の磁気材料を発見しました。
論文 参考訳（メタデータ） (2023-11-08T01:06:48Z) - MatChat: A Large Language Model and Application Service Platform for
Materials Science [18.55541324347915]
我々は、LLaMA2-7Bモデルのパワーを活用し、13,878個の構造化材料知識データを組み込んだ学習プロセスを通じて、LLaMA2-7Bモデルを強化する。
MatChatという名前のこの専門的なAIモデルは、無機物質合成経路の予測に焦点を当てている。
MatChatは現在オンラインでアクセス可能であり、モデルとアプリケーションフレームワークの両方をオープンソースとして利用できる。
論文 参考訳（メタデータ） (2023-10-11T05:11:46Z) - Prediction of superconducting properties of materials based on machine
learning models [3.7492020569920723]
本論文は超伝導体同定にXGBoostモデルを用いることを提案する。
深部森林モデルによる超伝導体の臨界温度の予測
ディープフォレストの最初の応用による材料のバンドギャップの予測
フェルミエネルギーレベルを予測する最初のサブネットワークモデル。
論文 参考訳（メタデータ） (2022-11-06T10:24:21Z) - The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。
これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。
このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。
我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
論文 参考訳（メタデータ） (2022-02-27T23:12:43Z) - Improving Molecular Representation Learning with Metric
Learning-enhanced Optimal Transport [49.237577649802034]
分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。
MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
論文 参考訳（メタデータ） (2022-02-13T04:56:18Z) - Simulating Quantum Materials with Digital Quantum Computers [55.41644538483948]
デジタル量子コンピュータ(DQC)は、古典的コンピュータでは引き起こせない量子シミュレーションを効率的に行うことができる。
このレビューの目的は、物理量子優位性を達成するために行われた進歩の要約を提供することである。
論文 参考訳（メタデータ） (2021-01-21T20:10:38Z)
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。