MétaCan
Menu
Retour à la cohorte
Enregistrement W2085148121 · doi:10.1063/1.1940028

Asynchronous multicanonical basin hopping method and its application to cobalt nanoclusters

2005· article· en· W2085148121 sur OpenAlexafffund
Lixin Zhan, Jeff Z. Y. Chen, Wing‐Ki Liu, S. K. Lai

Notice bibliographique

RevueThe Journal of Chemical Physics · 2005
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMachine Learning in Materials Science
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of Waterloo
Mots-clésAsynchronous communicationNanoclustersComputer scienceMonte Carlo methodMessage Passing InterfaceComputational scienceInterface (matter)Parallel computingStatistical physicsMessage passingPhysicsMaterials scienceNanotechnologyMathematicsTelecommunications

Résumé

récupéré en direct d'OpenAlex

The multicanonical basin hopping (MUBH) method, which uses a multicanonical weight in the basin hopping (BH) Monte Carlo method, was found to be very efficient for global optimization of large-scale systems such as Lennard-Jones clusters containing more than 150 atoms. We have implemented an asynchronous parallel version of the MUBH method using the message passing interface (MPI) to take advantage of the full usage of multiprocessors in either a homogeneous or heterogeneous computational environment. Based on the intrinsic properties of the Monte Carlo method, this MPI implementation used the task parallelism to minimize interthread data communication. For a Co nanocluster consisting of N atoms, we have applied the asynchronous multicanonical basin hopping (AMUBH) method (for 181 < N < or = 200), together with BH (for 2 < or = N < 150) and MUBH (for 150 < or = N < or = 180), to search for the molecular configuration of the global energy minimum. AMUBH becomes the only practical computational scheme for locating the energy minimum within realistic computational time for a relatively large cluster.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,011
Tête enseignante GPT0,297
Écart entre enseignants0,286 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations58
Publié2005
Routes d'admission2
Résumé présentoui

Explorer davantage

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