文献

J-GLOBAL ID：202002286569883507   整理番号：20A0075209

無機化合物の加速バンドギャップ予測のための統計的学習フレームワーク【JST・京大機械翻訳】

A Statistical Learning Framework for Accelerated Bandgap Prediction of Inorganic Compounds

著者 (4件)： Chaube Suryanaman (TCS Research, Tata Research Development and Design Center, Pune, Maharashtra, India) ,  Khullar Prerna (TCS Research, Tata Research Development and Design Center, Pune, Maharashtra, India) ,  Goverapet Srinivasan Sriram (TCS Research, Tata Research Development and Design Center, Pune, Maharashtra, India) ,  Rai Beena (TCS Research, Tata Research Development and Design Center, Pune, Maharashtra, India)
資料名： Journal of Electronic Materials  (Journal of Electronic Materials)
巻： 49  号： 1  ページ： 752-762  発行年： 2020年 
JST資料番号： D0277B  ISSN： 0361-5235  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本研究は,オープンソース材料プロジェクト(MP)データベースと無機ペロブスカイト化合物におけるエントリーのホストの電子バンドギャップ予測のための機械学習(ML)技術の応用を扱う。最初に,利用可能な実験的バンドギャップデータを有する4616の無機化合物のデータセットを用いて,予測MLモデル-サポートベクトルマシン,k-最近傍,ランダムフォレスト,カーネルリッジ回帰(KRR),および単純な元素属性に基づく組成特徴のみを必要とする人工ニューラルネットワークを生成した。これに続いて,バンドギャップに対する最も重要な特徴の同定と特徴空間の次元に対する種々の性能計量の評価を行った。最高の精度を持つ訓練されたKRRモデルを,MPデータベースにおける22,000以上のエントリーで回帰し,その傾向を明らかにした。続いて,発見されていないもののab initio研究と併せて,いくつかの発見されたハロゲン化物ペロブスカイトを含む一対のデータセットについて試料外検証を行った。最後に,最適分類と回帰モデルを用いて,46,970の未知無機ハロゲン化物ペロブスカイトの金属と非金属へのデータセットを分類し,続いて非金属エントリーのバンドギャップ予測を行った。Copyright 2019 The Minerals, Metals & Materials Society Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ハロゲン化物 ,  *無機化合物 ,  機械学習 ,  ニューラルネットワーク ,  回帰モデル ,  データベース ,  サポートベクトルマシン ,  *バンドギャップ
準シソーラス用語： 非金属 ,  特徴空間 ,  リッジ回帰 ,  ランダムフォレスト ,  オープンソース , 【Automatic Indexing@JST】

著者キーワード (5件)： 機械学習 ,  バンドギャップ予測 ,  無機化合物 ,  材料プロジェクト ,  ハロゲン化物ペロブスカイト

分類 (1件)： 半導体結晶の電子構造  (BM02060N)

タイトルに関連する用語 (6件)： 無機化合物 ,  加速 ,  バンドギャップ ,  予測 ,  統計的学習 ,  フレームワーク