機械学習を用いた原子論的シミュレーションにおける結晶構造同定のためのデータ中心フレームワーク【JST・京大機械翻訳】

Chung Heejung; Freitas Rodrigo; Cheon Gowoon; Reed Evan J.

プレプリント

J-GLOBAL ID：202202221169539937 整理番号：21P0053463

機械学習を用いた原子論的シミュレーションにおける結晶構造同定のためのデータ中心フレームワーク【JST・京大機械翻訳】

A data-centric framework for crystal structure identification in atomistic simulations using machine learning

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 (4件)： , , ,
資料名：
発行年： 2020年10月09日プレプリントサーバーでの情報更新日： 2022年04月04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)

大規模で行った原子レベルのモデリングは,原子ごとの分解能によるメソスケール材料特性の研究を可能にする。そのようなクロススケールシミュレーションの空間複雑性は,単純な人間の視覚検査に不適当である。代わりに,特殊な構造特性化技術が解釈を助けるのに必要である。これらは,歴史的に,重要な直感と努力を必要とする構築に挑戦している。ここでは,基本的な構造キャラクタリゼーションタスクのための代替フレームワークを提案した:結晶構造に従って原子を分類した。提案アプローチはデータ中心であり,分類の発見的ルールに対する機械学習の採用に有利であった。データ科学ツールのグループと原子構造の簡単な局所記述子を,効率的な合成訓練セットと共に採用した。また,結晶構造分類のためのアルゴリズム評価のために,最初の標準および公的に利用可能なベンチマークデータセットを導入した。著者等のデータ中心フレームワークは,特に格子が最も歪んだ場合,特に高温で,新しい結晶構造への一般化のための系統的経路を導入する場合に,最も一般的な発見的方法の全てを凌駕することを実証した。さらに,異常値検出アルゴリズムの使用により,この手法は,非晶質原子モチーフ(すなわち,非結晶相)と未知の結晶構造を識別することができ,探索材料合成シミュレーションに独自に適している。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, 【Automatic Indexing@JST】

金属の格子欠陥 , 原子間相互作用 , 図形・画像処理一般

, , , ,

前のページに戻る