MétaCan
Menu
Retour à la cohorte
Enregistrement W1984845825 · doi:10.1063/1.2346671

A generalization of the charge equilibration method for nonmetallic materials

2006· article· en· W1984845825 sur OpenAlexaff
Razvan A. Nistor, Jeliazko G. Polihronov, Martin H. Müser, Nicholas J. Mosey

Notice bibliographique

RevueThe Journal of Chemical Physics · 2006
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMachine Learning in Materials Science
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésPolarizabilityChemistryElectronegativityCharge (physics)MoleculeComputational chemistryMulliken population analysisCovalent bondAtomic chargeGeneralizationChemical physicsStatistical physicsAtomic physicsDensity functional theoryQuantum mechanicsPhysicsMathematicsOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Assigning effective atomic charges that properly reproduce the electrostatic fields of molecules is a crucial step in the construction of accurate interatomic potentials. We propose a new approach to calculate these charges, which as previous approaches are, is based on the idea of charge equilibration. However, we only allow charge to flow between covalently bonded neighbors by using the concept of so-called split charges. The semiempirical fit parameters in our approach do not only reflect atomic properties (electronegativity and atomic hardness) but also bond-dependent properties. The new method contains two popular but hitherto disjunct approaches as limiting cases. We apply our methodology to a set of molecules containing the elements silicon, carbon, oxygen, and hydrogen. Effective charges derived from electrostatic potential surfaces can be predicted more than twice as accurately as with previous works, at the expense of one additional fit parameter per bond type controlling the polarizability between two bonded atoms. Additional bond-type parameters can be introduced, but barely improve the results. An increase in accuracy of only 30% over existing techniques is achieved when predicting Mulliken charges. However, this could be improved with additional bond-type parameters.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,013
Tête enseignante GPT0,278
Écart entre enseignants0,265 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations163
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of Chemical PhysicsMême sujetMachine Learning in Materials ScienceTravaux en français237 207