無機結晶系に対する構造モチーフ中心学習フレームワーク【JST・京大機械翻訳】

Banjade Huta R.; Hauri Sandro; Zhang Shanshan; Ricci Francesco; Hautier Geoffroy; Vucetic Slobodan; Yan Qimin

プレプリント

J-GLOBAL ID：202202207702870877 整理番号：21P0038905

無機結晶系に対する構造モチーフ中心学習フレームワーク【JST・京大機械翻訳】

Structure motif centric learning framework for inorganic crystalline systems

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2020年07月08日プレプリントサーバーでの情報更新日： 2020年07月08日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

ネットワークベースの機械学習(ML)アーキテクチャにおける物理的原理の導入は,材料科学と凝縮物質物理学のための人工知能の継続的な発展に向けた基本的なステップである。本研究では,Pauling則に触発されたように,無機結晶中の構造モチーフ(カチオンと周囲のアニオンにより形成される多面体)が,結晶無機材料のための機械学習フレームワークへの中心入力として役立ち得ることを提案する。例として金属酸化物を取り上げ,教師なし学習アルゴリズムMotif2Vecは,構造モチーフの存在および大きな結晶化合物集合におけるそれらの結合をユニークなベクター表現に変換することができることを実証した。複雑な材料間の接続は,異なる構造モチーフの存在により主に決定され,それらのクラスタ化情報はMotif2Vecアルゴリズムによって同定される。構造モチーフ情報の新しい使用を実証するために,モチーフ中心学習フレームワークを,原子モチーフ二重グラフネットワーク(AMDNet)を形成するために,最近開発した原子ベースグラフニューラルネットワークとモチーフ情報を結合することにより効果的に作成できることを示した。原子とモチーフレベルの両方に関するノードとエッジ情報を利用して,AMDNetはバンドギャップのような金属酸化物の電子構造関連材料特性の予測において原子グラフネットワークより正確である。本研究は,超原子物理原理を組み込むことにより,複雑な材料特性のためのグラフニューラルネットワーク学習アーキテクチャの基本設計に向けた経路を説明した。【JST・京大機械翻訳】

, , , , , , , , , , , , , ,

人工知能

, , ,

前のページに戻る