論文の概要: Predicting band gap from chemical composition: A simple learned model for a material property with atypical statistics

• arxiv url: http://arxiv.org/abs/2501.02932v1
• Date: Mon, 06 Jan 2025 11:16:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:05:22.450906
• Title: Predicting band gap from chemical composition: A simple learned model for a material property with atypical statistics
• Title（参考訳）: 化学組成からバンドギャップを予測する:非定型統計を用いた材料特性の簡単な学習モデル
• Authors: Andrew Ma, Owen Dugan, Marin Soljačić,
• Abstract要約: 結晶材料の化学組成のみを用いてバンドギャップを予測する機械学習モデルを提案する。 この分析により,混合確率変数をモデル化する作業として,フレームバンドギャップの予測が可能となる。 このモデルは、バンドギャップと個々の化学元素の関係を直感的に捉えることで化学的解釈性を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In solid-state materials science, substantial efforts have been devoted to the calculation and modeling of the electronic band gap. While a wide range of ab initio methods and machine learning algorithms have been created that can predict this quantity, the development of new computational approaches for studying the band gap remains an active area of research. Here we introduce a simple machine learning model for predicting the band gap using only the chemical composition of the crystalline material. To motivate the form of the model, we first analyze the empirical distribution of the band gap, which sheds new light on its atypical statistics. Specifically, our analysis enables us to frame band gap prediction as a task of modeling a mixed random variable, and we design our model accordingly. Our model formulation incorporates thematic ideas from chemical heuristic models for other material properties in a manner that is suited towards the band gap modeling task. The model has exactly one parameter corresponding to each element, which is fit using data. To predict the band gap for a given material, the model computes a weighted average of the parameters associated with its constituent elements and then takes the maximum of this quantity and zero. The model provides heuristic chemical interpretability by intuitively capturing the associations between the band gap and individual chemical elements.
• Abstract（参考訳）: 固体材料科学では、電子バンドギャップの計算とモデリングに多大な努力が注がれている。 この量を予測するための幅広いab initio法と機械学習アルゴリズムが作成されているが、バンドギャップを研究するための新しい計算手法の開発は研究の活発な領域である。 本稿では,結晶材料の化学組成のみを用いて,バンドギャップを予測するための単純な機械学習モデルを提案する。 モデルの形を動機づけるために、まずバンドギャップの実験的分布を分析し、非定型統計学に新たな光を当てる。 具体的には,混合確率変数をモデル化する作業として,バンドギャップ予測のフレーム化を実現し,それに応じてモデルの設計を行う。 我々のモデル定式化は、バンドギャップモデリングタスクに適した方法で、他の材料特性に対する化学ヒューリスティックモデルからのテーマ的アイデアを取り入れている。 モデルは、データを使用して適合する各要素に対応する、正確に1つのパラメータを持つ。 与えられた材料のバンドギャップを予測するために、モデルは、その構成要素に関連するパラメータの重み付き平均を計算し、その量とゼロの最大値を取る。 このモデルは、バンドギャップと個々の化学元素の関係を直感的に捉えることによって、ヒューリスティックな化学的解釈性を提供する。

関連論文リスト

• Balancing Molecular Information and Empirical Data in the Prediction of Physico-Chemical Properties [8.649679686652648]
  本稿では,分子記述子と表現学習を組み合わせた一般的な手法を提案する。 提案したハイブリッドモデルは,グラフニューラルネットワークを用いた化学構造情報を利用する。 構造に基づく予測が信頼できない場合を自動的に検出し、表現学習に基づく予測によって修正する。
  論文  参考訳（メタデータ） (2024-06-12T10:51:00Z)
• A Gaussian Process Model for Ordinal Data with Applications to Chemoinformatics [0.0]
  化学実験の結果を予測するための条件付きガウス過程モデルを提案する。 我々のモデルの新しい側面は、核がスケーリングパラメータを含み、化学空間の要素間の相関の強さを制御することである。 本稿では,化学発見の容易化と化合物の有効性に対する重要な特徴の同定のための遺伝的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-16T11:18:32Z)
• Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
  科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。 これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
  論文  参考訳（メタデータ） (2024-03-03T04:21:21Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Automated analysis of continuum fields from atomistic simulations using statistical machine learning [0.0]
  我々は統計データマイニングと機械学習アルゴリズムを用いて、原子論シミュレーションにおける連続体変数の分析を自動化する手法を開発した。 本研究は, 総ひずみ, 弾性ひずみ, マイクロローテーションの3つの重要な場変数に着目した。 総ひずみ分布のピークをガウス混合モデルで同定し、オーバーフィッティング問題を回避する方法を示す。
  論文  参考訳（メタデータ） (2022-06-16T10:05:43Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• A Physics-Guided Neural Operator Learning Approach to Model Biological Tissues from Digital Image Correlation Measurements [3.65211252467094]
  本稿では, 生体組織モデリングにおけるデータ駆動型相関について述べる。これは, 未知の負荷シナリオ下でのデジタル画像相関(DIC)測定に基づいて変位場を予測することを目的としている。 ブタ三尖弁リーフレット上の多軸延伸プロトコルのDIC変位追跡測定から材料データベースを構築した。 材料応答は、負荷から結果の変位場への解演算子としてモデル化され、材料特性はデータから暗黙的に学習され、自然にネットワークパラメータに埋め込まれる。
  論文  参考訳（メタデータ） (2022-04-01T04:56:41Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Bayesian Calibration of imperfect computer models using Physics-informed priors [0.0]
  本稿では,計算機モデルの物理パラメータの不確かさを定量化するのに適した,計算効率の良いデータ駆動フレームワークを提案する。 我々はこれを完全にベイズ的枠組みに拡張し、物理パラメータの不確かさとモデル予測の定量化を可能にした。 この研究は、高血圧の個人治療のための心臓の血行動態の解釈可能なパラメータの必要性によって動機付けられている。
  論文  参考訳（メタデータ） (2022-01-17T15:16:26Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)

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。