文献

J-GLOBAL ID：202102217644452134   整理番号：21A3312822

DFTデータベースを用いた複雑な相の生成エンタルピーの教師付き深層学習予測:例としてのσ相【JST・京大機械翻訳】

Supervised deep learning prediction of the formation enthalpy of complex phases using a DFT database: The σ-phase as an example

著者 (3件)： Crivello Jean-Claude (Univ Paris Est Creteil, CNRS, ICMPE, UMR 7182, 2 rue Henri Dunant, 94320 Thiais, France) ,  Joubert Jean-Marc (Univ Paris Est Creteil, CNRS, ICMPE, UMR 7182, 2 rue Henri Dunant, 94320 Thiais, France) ,  Sokolovska Nataliya (Sorbonne University, INSERM, NutriOmics, Paris, France)
資料名： Computational Materials Science  (Computational Materials Science)
巻： 201  ページ： Null  発行年： 2022年 
JST資料番号： W0443A  ISSN： 0927-0256  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 機械学習(ML)法は,材料科学を含む多数のドメインで最先端になっている。本稿では,MLが固体状態化学応用におけるいくつかの特性を効率的に予測するために,特に,与えられた複雑な結晶学的相(ここでは,σ相,tP30,D8b)の生成熱を推定するために,どのように使用できるかを示す。n=14の異なる要素を有する約10,000σ化合物を含む独立で前例のない大きな第一原理データセットに基づいて,著者らは,すべての~500,000の可能な配置を予測するために,教師つき学習アプローチを使用した。約1000試料のランダムセットから,予測を,生成熱で23meV-1(~2kJ mol-1)の平均絶対誤差,および正方晶セルパラメータで約0.06Å以内で与えた。深層ニューラルネットワーク回帰は,従来の回帰技術と比較して,予測出力の精度の顕著な改善をもたらすことを示した。また,物理的性質(原子半径,価電子数)を有する記述子を統合し,それらがモデル精度を改善することを観察した。この数値実験から,二値成分のみからなる学習データベースは,より高い程度システム構成の予測において主要な役割を果たすと結論付けられた。著者らの結果は,多成分複合金属間化合物相予測のためのコンビナトリアル二元計算の効率的高スループット研究への広い道を開いた。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 金属間化合物 ,  *生成熱 ,  *学習 ,  *データベース ,  *σ相 ,  結晶学 ,  教師つき学習 ,  原子半径 ,  正方晶系 ,  固相 ,  価電子 ,  機械学習
準シソーラス用語： 数値実験 ,  *深層学習 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 金属間化合物 ,  γγ相 ,  形成熱 ,  機械学習 ,  DFT

分類 (2件)： パターン認識  (JE07000S) ,  医用画像処理  (JE04020T)

タイトルに関連する用語 (8件)： DFT ,  データベース ,  相 ,  生成エンタルピー ,  教師 ,  深層学習 ,  予測 ,  σ相