文献

J-GLOBAL ID：202102255108459155   整理番号：21A0874224

ハイブリッド軌道場行列とマッピー記述子を用いた結晶材料特性予測のための畳込みニューラルネットワーク【JST・京大機械翻訳】

Convolutional Neural Networks for Crystal Material Property Prediction Using Hybrid Orbital-Field Matrix and Magpie Descriptors

著者 (8件)： Cao Zhuo (School of Mechanical Engineering, Guizhou University, Guiyang 550025, China) ,  Dan Yabo (School of Mechanical Engineering, Guizhou University, Guiyang 550025, China) ,  Xiong Zheng (Department of Computer Science and Engineering, University of South Carolina, Columbia, SC 29208, USA) ,  Niu Chengcheng (Key Laboratory of Advanced Manufacturing Technology, Ministry of Education, Guiyang 550025, China) ,  Li Xiang (School of Mechanical Engineering, Guizhou University, Guiyang 550025, China) ,  Qian Songrong (School of Mechanical Engineering, Guizhou University, Guiyang 550025, China) ,  Hu Jianjun (School of Mechanical Engineering, Guizhou University, Guiyang 550025, China) ,  Hu Jianjun (Department of Computer Science and Engineering, University of South Carolina, Columbia, SC 29208, USA)
資料名： Crystals (Web)  (Crystals (Web))
巻： 9  号： 4  ページ： 191  発行年： 2019年 
JST資料番号： U7169A  ISSN： 2073-4352  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 結晶材料特性の計算予測は,大規模シリコンスクリーニングを行うのに役立つ。材料情報科学の最近の研究は,多次元解釈可能な材料記述子/特徴のエキスパート設計に焦点を合わせている。しかし,画像認識と音声認識における畳込みニューラルネットワーク(CNN)のような深層学習の成功は,データの特徴を効果的に捉え,優れた予測性能を達成するために,それらの自動特徴抽出能力を実証した。ここでは,2次元OFMの特徴とMagpie特徴の相補性を利用して4030の結晶材料の生成エネルギーを予測するために,OFM(Orbital-field行列)とMagpie記述子を有するCNNモデルであるCNN-OFM-Magpieを提案した。実験は,著者らの方法がサポートベクトルマシンとランダムフォレストのような従来の回帰アルゴリズムより良い性能を達成することを示した。それはまた,OFM特徴,Magpie特徴,または基本的一熱符号化だけを使用するCNNモデルより良い。これは,材料特性予測のためのCNNと特徴融合の利点を示す。最後に,二次元OFM記述子を可視化し,CNNにより抽出された特徴を解析し,CNN-OFMモデルの大きな理解を得た。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  音声認識 ,  情報科学 ,  特徴抽出 ,  可視化 ,  二次元 ,  相補性 ,  高次元 ,  *サポートベクトルマシン ,  画像認識
準シソーラス用語： ランダムフォレスト ,  *混成軌道 ,  特徴融合 ,  深層学習 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 材料情報学 ,  材料記述子 ,  畳込みニューラルネットワーク ,  特徴抽出 ,  地層エネルギー

分類 (1件)： パターン認識  (JE07000S)

引用文献 (34件)：

• Takahashi, K.; Tanaka, Y. Materials informatics: A journey towards material design and synthesis. Dalton Trans. 2016, 45, 1497-1499.
• Butler, K.T.; Davies, D.W.; Cartwright, H.; Isayev, O.; Walsh, A. Machine learning for molecular and materials science. Nature 2018, 559, 547-555.
• Li, Y.; Liu, L.; Chen, W.; An, L. Materials genome: Research progress, challenges and outlook. Sci. Sin. Chim. 2018, 48, 243-255.
• Ramprasad, R.; Batra, R.; Pilania, G.; Mannodi-Kanakkithodi, A.; Kim, C. Machine learning in materials informatics: Recent applications and prospects. NPJ Comput. Mater. 2017, 3, 54.
• Ward, L.; Wolverton, C. Atomistic calculations and materials informatics: A review. Curr. Opin. Solid State Mat. Sci. 2017, 21, 167-176.

タイトルに関連する用語 (7件)： ハイブリッド軌道 ,  行列 ,  記述子 ,  結晶 ,  材料特性 ,  予測 ,  畳込みニューラルネットワーク