論文の概要: Explainable Machine Learning for Oxygen Diffusion in Perovskites and Pyrochlores

• arxiv url: http://arxiv.org/abs/2505.11722v1
• Date: Fri, 16 May 2025 22:06:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.804631
• Title: Explainable Machine Learning for Oxygen Diffusion in Perovskites and Pyrochlores
• Title（参考訳）: ペロブスカイトおよびピロクロル中の酸素拡散に関する説明可能な機械学習
• Authors: Grace M. Lu, Dallas R. Trinkle,
• Abstract要約: 我々は,実験活性化エネルギーのデータベースを構築し,材料特性にグループ化アルゴリズムを適用した。 アンサンブルの合意により、活性化エネルギーを予測する最も重要な特徴はA部位結合のイオン性である。 本研究で同定した簡易な測定機能は, 高速酸化物イオン拡散率を有する新規材料の迅速スクリーニングを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Explainable machine learning can help to discover new physical relationships for material properties. To understand the material properties that govern the activation energy for oxygen diffusion in perovskites and pyrochlores, we build a database of experimental activation energies and apply a grouping algorithm to the material property features. These features are then used to fit seven different machine learning models. An ensemble consensus determines that the most important features for predicting the activation energy are the ionicity of the A-site bond and the partial pressure of oxygen for perovskites. For pyrochlores, the two most important features are the A-site $s$ valence electron count and the B-site electronegativity. The most important features are all constructed using the weighted averages of elemental metal properties, despite weighted averages of the constituent binary oxides being included in our feature set. This is surprising because the material properties of the constituent oxides are more similar to the experimentally measured properties of perovskites and pyrochlores than the features of the metals that are chosen. The easy-to-measure features identified in this work enable rapid screening for new materials with fast oxide-ion diffusivity.
• Abstract（参考訳）: 説明可能な機械学習は、材料特性のための新しい物理的関係を見つけるのに役立つ。 ペロブスカイトおよびピロクロル中の酸素拡散の活性化エネルギーを管理する物質特性を理解するため,実験活性化エネルギーのデータベースを構築し,材料特性にグループ化アルゴリズムを適用した。 これらの機能は、7つの異なる機械学習モデルに適合する。 アンサンブルの合意により、活性化エネルギーを予測する最も重要な特徴は、A部位結合のイオン性とペロブスカイトの酸素部分圧である。 ピロクロラートにとって最も重要な特徴は、A-site $s$価電子数とB-site電子陰性度である。 最も重要な特徴は, 主成分の2元酸化物の重み付け平均が特徴集合に含まれるにもかかわらず, 元素金属特性の重み付け平均を用いて構成される。 これは、組成酸化物の材料特性が、選択された金属の特性よりもペロブスカイトとピロクロロの実験的性質に類似しているためである。 本研究で同定した簡易な測定機能は, 高速酸化物イオン拡散率を有する新規材料の迅速スクリーニングを可能にする。

関連論文リスト

• Material Property Prediction with Element Attribute Knowledge Graphs and Multimodal Representation Learning [8.523289773617503]
  要素特性知識グラフを構築し、埋め込みモデルを用いて、要素属性を知識グラフ内にエンコードする。 マルチモーダル融合フレームワークであるESNetは、要素特性特徴と結晶構造特徴を統合し、ジョイントマルチモーダル表現を生成する。 これは結晶材料の性能を予測するためのより包括的な視点を提供する。
  論文  参考訳（メタデータ） (2024-11-13T08:07:21Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Exploiting Hierarchical Interactions for Protein Surface Learning [52.10066114039307]
  本質的には、タンパク質表面のポテンシャル関数部位は、幾何学的特徴と化学的特徴の両方によって決定される。 本稿では,ディープラーニング技術,すなわち階層型化学・幾何学的特徴相互作用ネットワーク(HCGNet)に基づく原則的フレームワークを提案する。 提案手法は,現場予測タスクが2.3%,インタラクションマッチングタスクが3.2%,従来の最先端手法が2.3%向上した。
  論文  参考訳（メタデータ） (2024-01-17T14:10:40Z)
• Spectroscopy-Guided Discovery of Three-Dimensional Structures of Disordered Materials with Diffusion Models [6.97950396242977]
  対象物から乱れた材料の3次元構造を予測するための拡散モデルに基づく新しいフレームワークを提案する。 我々のモデルは、特定のXANESスペクトルの原子配列を調整するための生成過程を制御できることを示します。 本研究は, 材料評価と原子構造決定のギャップを埋める上で, 重要な歩みを示している。
  論文  参考訳（メタデータ） (2023-12-09T05:40:10Z)
• 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)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Composition based oxidation state prediction of materials using deep learning [1.0765359420035392]
  本研究は, 化学組成のみを付与した無機化合物の全元素の酸化状態を予測するための, 深層学習に基づく BERT 変換言語モデル BERTOS を提案する。 本モデルでは,全元素酸化状態の96.82%の精度をICSDデータセット上でベンチマークし,酸化材料の97.61%の精度を示した。
  論文  参考訳（メタデータ） (2022-11-29T03:24:53Z)
• Element selection for functional materials discovery by integrated machine learning of atomic contributions to properties [0.0]
  材料を分類するエンド・ツー・エンドの機械学習手法を開発した。 フェーズセレクトは周期表のレベルで物質ポテンシャルを定量化することができる。
  論文  参考訳（メタデータ） (2022-02-02T14:40:08Z)
• 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)
• MLSolv-A: A Novel Machine Learning-Based Prediction of Solvation Free Energies from Pairwise Atomistic Interactions [0.0]
  MLに基づく新しい解法モデルを導入し, 対の原子間相互作用から解エネルギーを計算する。 6,493実験の結果, トレーニングデータの拡大に際し, 優れた性能と伝達性を実現した。
  論文  参考訳（メタデータ） (2020-05-13T06:53:54Z)

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。