文献

J-GLOBAL ID：201802229822734718   整理番号：18A1941408

無機結晶構造のデータ駆動学習と予測【JST・京大機械翻訳】

Data-driven learning and prediction of inorganic crystal structures

著者 (4件)： Deringer Volker L. (Department of Engineering, University of Cambridge, Cambridge CB2 1PZ, UK. [e-mail]) ,  Proserpio Davide M. ,  Csanyi Gabor ,  Pickard Chris J.
資料名： Faraday Discussions  (Faraday Discussions)
巻： 211  ページ： 45-59  発行年： 2018年 
JST資料番号： C0377A  ISSN： 1359-6640  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： ab initioランダム構造探索(AIRSS)を含む結晶構造予測アルゴリズムは,基礎となる量子力学法の膨大な計算コストにより本質的に制限される。著者らは,最近,新しいクラスの機械学習(ML)ベースの原子間ポテンシャルが,ab initioエネルギー景観への高次元適合を実行することにより,同等の精度に達するが,より速いオーダであることを示した。本論文では,構成空間を探索し,構造を予測するためのより一般的なツールに向けて,著者らのアプローチ,二重層Gauss近似ポテンシャルに基づくランダム構造探索(GAP-RSS)を開発した。著者らは,結晶性アロトロープの事前知識なしに斜方晶系黒色リン(A17)構造を同定し,正しく学習する元素リンに対するGAP-RSS原子間ポテンシャルモデルを提示した。例として繊維状リンの管状構造を用いて,自由探索の限界を議論し,最近提案されたフラグメント解析とGAP-RSSを組み合わせた可能な方法を検討し,GAP-RSSにより見出されたリンの可能な管状(1D)及び拡張(3D)仮説的アロトロープの例を論じた。将来,MLポテンシャルは材料発見と設計のための汎用的でルーチンの計算ツールになり得ると信じる。Copyright 2018 Royal Society of Chemistry All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 原子間ポテンシャル ,  *結晶構造 ,  量子論 ,  *学習 ,  Gauss近似 ,  三次元 ,  機械学習 ,  リン ,  一次元 ,  斜方晶系 ,  ポテンシャル ,  高次元
準シソーラス用語： 事前知識 ,  二重層 ,  計算コスト , 【Automatic Indexing@JST】

分類 (2件)： 分子の電子構造  (BH05010Q) ,  顕微鏡法  (BK01040E)

タイトルに関連する用語 (4件)： 結晶構造 ,  データ駆動 ,  学習 ,  予測