在使用张量嵌入的多组件系统中对化学相关成分的数据驱动预测
Hiroyuki Hayashi1, Isao Tanaka2,3
1Department of Materials Science and Engineering, Kyoto University, Sakyo, Kyoto, 606-8501, Japan. hayashi.hiroyuki.6s@kyoto-u.ac.jp.
科学家们使用机器学习开发了一种用于新型氧化物材料的预测模型. 这种方法通过分析更简单的组成来预测复杂的组成,有助于发现新材料.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 数据科学数据科学数据科学
背景情况:
- 发现新材料对于技术进步至关重要.
- 预测复杂的多元氧化物组成仍然是一个挑战.
- 现有的方法经常与氧化物的庞大组成空间作斗争.
研究的目的:
- 开发一个预测模型来预测复杂的氧化物组成.
- 从更简单的伪二元氧化物中获取数据,用于预测更复杂的氧化物.
- 应用张量分解和机器学习用于材料预测.
主要方法:
- 利用张量分解 (塔克分解) 来表示来自无机晶体结构数据库 (ICSD) 的伪二元氧化物组成.
- 提取的张量嵌入式捕捉化学趋势,如氧化状态和周期位置.
- 训练了一个随机森林分类器,使用这些嵌入来预测复杂氧化物的存在.
主要成果:
- 该模型成功地预测了伪三元氧化物和四元氧化物存在的概率.
- 获得了高预测分数,识别了84%的伪三级和52%的四级ICSD注册组合物.
- 证明了使用更简单的氧化物数据来预测复杂材料结构的有效性.
结论:
- 开发的模型提供了一个强大的工具,可以加速发现新的功能性材料.
- 这种基于数据的方法,使用张量表示,可以扩展到其他材料系统,如硫化物和化物.
- 强调机器学习在导航复杂材料发现景观中的潜力.
更多相关视频
08:04Excitonic Hamiltonians for Calculating Optical Absorption Spectra and Optoelectronic Properties of Molecular Aggregates and Solids
Published on: May 27, 2020
05:18Quaternary Structure Modeling Through Chemical Cross-Linking Mass Spectrometry: Extending TX-MS Jupyter Reports
Published on: October 20, 2021
相关概念视频
Predicting Molecular Geometry
Predicting Reaction Outcomes
Inductive Effects on Chemical Shift: Overview
UV–Vis Spectroscopy of Conjugated Systems
One of the factors influencing λmax is the extent...
Tandem Mass Spectrometry
Secondary fragmentations occur in the interaction cell and can be induced by various factors. Fragmentation induced by collision with inert gases, such as N2, Ar, He, etc., is called collision-induced...
Predicting Products: SN1 vs. SN2
With increased substitution on the alkyl halide,...
