铜化物集群的机器学习潜力:用于定位的中子衍射独立方法
Cong Fang1, Zhuang Wang1, Ruixian Guo1
1State Key Laboratory of Photoelectric Conversion and Utilization of Solar Energy, Qingdao New Energy Shandong Laboratory, Qingdao Institute of Bioenergy and Bioprocess Technology, Chinese Academy of Sciences, Qingdao 266101, China.
在金属化物集群中确定的位置是一项挑战. 一种新方法,神经网络的随机表面行走 (SSW-NN),可以准确地预测的位置,而无需昂贵的中子衍射.
科学领域:
- 材料科学
- 计算化学
- 晶体学
背景情况:
- 精确确定金属化物中的位置至关重要,但往往由于依赖昂贵的中子衍射而受到阻碍.
- 现有的机器学习方法因依赖中子衍射数据进行训练而受到限制,这限制了它们的广泛应用.
研究的目的:
- 为准确预测金属化物集群中的位置开发一种非中子衍射依赖的新方法.
- 建立适用于各种金属化物系统的多功能和高效方法,即使缺乏中子衍射数据.
主要方法:
- 介绍使用神经网络 (SSW-NN) 技术的随机表面行走.
- 对SSW-NN与铜化集群的已知中子衍射数据进行验证.
- 用X射线衍射数据和DFT预测测试该方法的有效性.
主要成果:
- 它可以准确地预测金属化物中的位.
- 该方法对含有有限或不含中子衍射数据的系统,包括银和合金化物,显示出有效性.
- 与现有方法相比,SSW-NN提供了更高的准确性,效率和多功能性.
结论:
- SSW-NN为金属化物中的定位提供了强大且广泛适用的解决方案.
- 这种创新策略建立了一个新的研究范式,克服了中子衍射可用性的局限性.
- 这种方法为各种科学领域的定位挑战提供了通用解决方案.
更多相关视频
14:11Quantification of Hydrogen Concentrations in Surface and Interface Layers and Bulk Materials through Depth Profiling with Nuclear Reaction Analysis
Published on: March 29, 2016
12:11Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry
Published on: April 8, 2020
相关概念视频
2D NMR: Heteronuclear Single-Quantum Correlation Spectroscopy (HSQC)
2D NMR: Overview of Heteronuclear Correlation Techniques
