論文の概要: Bridging Theory and Experiment in Materials Discovery: Machine-Learning-Assisted Prediction of Synthesizable Structures

• arxiv url: http://arxiv.org/abs/2505.09161v1
• Date: Wed, 14 May 2025 05:48:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.382933
• Title: Bridging Theory and Experiment in Materials Discovery: Machine-Learning-Assisted Prediction of Synthesizable Structures
• Title（参考訳）: 材料発見におけるブリッジ理論と実験:機械学習による合成可能な構造物の予測
• Authors: Yu Xin, Peng Liu, Zhuohang Xie, Wenhui Mi, Pengyue Gao, Hong Jian Zhao, Jian Lv, Yanchao Wang, Yanming Ma,
• Abstract要約: 本稿では、対称性誘導構造導出とWyckoffエンコードに基づく機械学習モデルを統合する合成可能性駆動型CSPフレームワークを提案する。 このフレームワークは、実験的に知られている13のXSe(X = Sc, Ti, Fe, Ni, Cu)構造を再現し、合成可能な構造を予測する効果を示した。
• 参考スコア（独自算出の注目度）: 4.447856707178621
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Even though thermodynamic energy-based crystal structure prediction (CSP) has revolutionized materials discovery, the energy-driven CSP approaches often struggle to identify experimentally realizable metastable materials synthesized through kinetically controlled pathways, creating a critical gap between theoretical predictions and experimental synthesis. Here, we propose a synthesizability-driven CSP framework that integrates symmetry-guided structure derivation with a Wyckoff encode-based machine-learning model, allowing for the efficient localization of subspaces likely to yield highly synthesizable structures. Within the identified promising subspaces, a structure-based synthesizability evaluation model, fine-tuned using recently synthesized structures to enhance predictive accuracy, is employed in conjunction with ab initio calculations to systematically identify synthesizable candidates. The framework successfully reproduces 13 experimentally known XSe (X = Sc, Ti, Mn, Fe, Ni, Cu, Zn) structures, demonstrating its effectiveness in predicting synthesizable structures. Notably, 92,310 structures are filtered from the 554,054 candidates predicted by GNoME, exhibiting great potential for promising synthesizability. Additionally, eight thermodynamically favorable Hf-X-O (X = Ti, V, and Mn) structures have been identified, among which three HfV$_2$O$_7$ candidates exhibit high synthesizability, presenting viable candidates for experimental realization and potentially associated with experimentally observed temperature-induced phase transitions. This work establishes a data-driven paradigm for machine-learning-assisted inorganic materials synthesis, highlighting its potential to bridge the gap between computational predictions and experimental realization while unlocking new opportunities for the targeted discovery of novel functional materials.
• Abstract（参考訳）: 熱力学的エネルギーに基づく結晶構造予測 (CSP) は材料発見に革命をもたらしたが、エネルギー駆動型CSPアプローチは、しばしば、運動的に制御された経路を通して合成される実験的に実現可能な準安定物質を特定するのに苦労し、理論的な予測と実験的な合成の間に重要なギャップを生じる。 本稿では,対称性誘導型構造導出とWyckoffエンコードに基づく機械学習モデルを統合した合成可能性駆動型CSPフレームワークを提案する。 予測精度を高めるために最近合成された構造を用いて微調整された構造に基づく合成可能性評価モデルである有望部分空間内では、合成可能な候補を体系的に同定するab initio計算と併用する。 このフレームワークは、実験的に知られている13のXSe(X = Sc, Ti, Mn, Fe, Ni, Cu, Zn)構造を再現し、合成可能な構造を予測する効果を示した。 特に、GNoMEによって予測された54,054個の候補から92,310個の構造をフィルタリングし、有望な合成可能性を示す。 さらに、熱力学的に好適な8つのHf-X-O(X = Ti, V, Mn)構造が同定され、3つのHfV$_2$O$_7$候補が高い合成性を示し、実験的な実現の候補を示し、実験的に観察された温度誘起相転移に結びつく可能性がある。 この研究は、機械学習支援無機材料合成のためのデータ駆動パラダイムを確立し、計算予測と実験的実現のギャップを埋める可能性を強調し、新しい機能性材料をターゲットとする新たな機会を開放する。

関連論文リスト

• Towards Space Group Determination from EBSD Patterns: The Role of Deep Learning and High-throughput Dynamical Simulations [0.7154115167845776]
  深層学習法は、パターンを入力として、空間群対称性を分類することができる。 ニューラルネットワークは、背景修正EBSDパターンの空間群型を予測するために訓練された。 我々は,シミュレーションおよび実験データにおいて,90%以上の精度のスコアを得られたモデルを実現するためのレザベリング手法を提案する。
  論文  参考訳（メタデータ） (2025-04-30T05:36:31Z)
• Kernel Learning Assisted Synthesis Condition Exploration for Ternary Spinel [1.146645849310105]
  我々は,グローバルSHAP解析の新たな応用によるカーネル分類モデルを用いて,単一相合成性に最も重要な実験特徴を特定する。 グローバルSHAP分析により、単相スピネル形成への前駆体および沈殿剤の寄与は、確立された結晶成長理論と密接に一致していることが明らかとなった。
  論文  参考訳（メタデータ） (2025-03-25T13:28:10Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• Accurate Crystal Structure Prediction of New 2D Hybrid Organic Inorganic Perovskites [0.0]
  低次元有機-無機ペロブスカイト(HOIP)は、光吸収と発光の両面において、電子的に活性な材料として期待できるクラスである。 我々は,新しい2次元HOIPの構造を予測するための,正確で,効率的で,伝達可能で,広く適用可能な機械学習の原子間ポテンシャル(MLIP)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T17:39:08Z)
• Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
  本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。 本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。 その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
  論文  参考訳（メタデータ） (2023-10-07T21:36:55Z)
• Machine-Learning-Optimized Perovskite Nanoplatelet Synthesis [55.41644538483948]
  総合成量200のCsPbBr3ナノプレート(NPL)の品質向上のためのアルゴリズムを開発した。 このアルゴリズムは、前駆率に基づいて、NPL分散のPL放出最大値を予測することができる。
  論文  参考訳（メタデータ） (2022-10-18T11:54:11Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Predictive Synthesis of Quantum Materials by Probabilistic Reinforcement Learning [1.4680035572775534]
  本研究では, 半超電導単層MoS$_2$の量子材料に対する最適合成スケジュールの予測に強化学習を用いる。 このモデルは、多相ヘテロ構造を含む複雑な構造の合成のためのプロファイルを予測するために拡張することができる。
  論文  参考訳（メタデータ） (2020-09-14T20:50:45Z)
• Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
  ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。 このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。 本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
  論文  参考訳（メタデータ） (2020-04-26T21:40:03Z)

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。