論文の概要: Expanding the extreme-k dielectric materials space through physics-validated generative reasoning
- arxiv url: http://arxiv.org/abs/2604.21068v1
- Date: Wed, 22 Apr 2026 20:24:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.169838
- Title: Expanding the extreme-k dielectric materials space through physics-validated generative reasoning
- Title（参考訳）: 物理価生成推論による極k誘電体空間の拡大
- Abstract要約: 私たちはDielecMINDを紹介します。DielecMINDは、材料発見を推論駆動探索として再構成する人工知能フレームワークです。
本フレームワークは, 新規レアマテリアル化合物5種の発見と評価を行い, このレアマテリアルクラスを1つの研究で顕著な35%拡大する。
- 参考スコア（独自算出の注目度）: 4.320393382724067
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The most technologically consequential materials are often the rarest: they occupy narrow regions of chemical space, obey competing physical constraints, and appear only sparsely in existing databases. High-kappa dielectrics, high-Tc superconductors, and ferromagnetic insulators are to name a few. This scarcity fundamentally limits today's data-driven materials discovery, where machine-learning models excel at interpolation but struggle to generate genuinely new candidates. Here, we introduce DielecMIND, an artificial intelligence framework that reframes materials discovery as a reasoning-driven exploration instead of a database-screening problem. Using high-kappa dielectrics as a data-scarce and technologically stringent test case, DielecMIND combines large-language-model hypothesis generation for the first time with physics validated first-principles calculation to navigate chemical space beyond known compounds. Prior to our work, only 14 experimentally or computationally validated materials with kappa > 150 were known. Our framework discovers and validates 5 new such compounds, expanding this rare-materials class by a remarkable = 35% in a single study. Among them, we find that Ba2TiHfO6 exhibits a dielectric constant of 637, minimal loss at low optical frequencies, and stability up to 800 K. Beyond dielectrics, this work demonstrates a new paradigm for artificial-intelligence-guided discovery: one that generates a small number of physically grounded, experimentally plausible candidates yet measurably expands sparsely populated functional materials spaces. Thus, DielecMIND points toward a general strategy for discovering rare, high-impact functional materials where data scarcity has long constrained progress.
- Abstract（参考訳）: 化学空間の狭い領域を占有し、競合する物理的制約に順応し、既存のデータベースではわずかにしか見られない。
高カッパ誘電体、高温超伝導体、強磁性絶縁体などがいくつかある。
この不足により、今日のデータ駆動材料発見は基本的に制限され、機械学習モデルは補間時に優れているが、真に新しい候補を生成するのに苦労する。
ここでは、DielecMINDを紹介します。DielecMINDは、材料発見をデータベースのスクリーニング問題ではなく、推論による探索として再構成する人工知能フレームワークです。
高カッパ誘電体をデータシャースで技術的に拘束力のあるテストケースとして使用し、DielecMINDは大規模言語モデル仮説の生成を、物理で検証された第一原理計算と組み合わせて、既知の化合物を越えて化学空間をナビゲートする。
本研究に先立ち, カッパ>150の実験的, あるいは計算学的に検証された資料はわずか14件であった。
本フレームワークはこれらの化合物を5種類発見, 検証し, この希少物質クラスを1つの研究で35%拡大する。
これらのうち、Ba2TiHfO6は637の誘電率、低光周波数での最小損失、800Kまでの安定性を示す。
このように、DielecMINDは、データ不足が長い間進行を制限してきた希少で高影響の機能性材料を発見するための一般的な戦略を指している。
関連論文リスト
- OmniMatBench: A Human-Calibrated Multimodal Reasoning Benchmark Across 19 Materials Science Subfields [61.92908843275242]
材料科学のためのマルチモーダル推論ベンチマークであるOmniMatBenchを紹介する。
我々は13のオープンソースおよびクローズドソースMLLMを評価し、最良のモデルが0.372の総合スコアを達成することを発見した。
論文 参考訳（メタデータ） (2026-05-28T12:12:27Z) - Agentic Fusion of Large Atomic and Language Models to Accelerate Superconductor Discovery [85.54953285509167]
ElementsClawは、わずか28GPU時間で68,000人の高信頼候補を特定する。
我々は4つの新しい超伝導体を実験的に合成し、検証した。
論文 参考訳（メタデータ） (2026-04-26T15:14:38Z) - Deep Learning Based Superconductivity: Prediction and Experimental Tests [2.78539995173967]
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。
論文 参考訳（メタデータ） (2024-12-17T15:33:48Z) - 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) - 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) - InvDesFlow: An AI-driven materials inverse design workflow 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) - Large-scale machine-learning-assisted exploration of the whole materials
space [0.0]
結晶-グラフアテンションネットワークは、非緩和結晶構造からの熱力学的安定性と材料特性の予測のための顕著なツールとして登場した。
これまでの200万の素材で訓練されたネットワークは、あまり表現されていない化学的要素と構造的プロトタイプに起因した強いバイアスを示していた。
この問題に取り組み、化学および結晶対称性空間のバランスを改善するために追加データを計算した。
論文 参考訳（メタデータ） (2022-10-02T17:34:12Z) - Maximizing information from chemical engineering data sets: Applications
to machine learning [61.442473332320176]
化学工学の応用において、古典的な人工知能のアプローチを適用するのが難しくなる4つの特徴を同定する。
それぞれのデータ特性について、これらのデータ特性が生じるアプリケーションについて論じ、現在の化学工学研究が、これらの課題を組み込むために、データサイエンスと機械学習の分野をどのように拡張しているかを示す。
論文 参考訳（メタデータ） (2022-01-25T01:25:45Z) - 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)
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。