MétaCan
Menu
Retour à la cohorte
Enregistrement W2099308222 · doi:10.1146/annurev-matsci-071312-121712

New Insights into Complex Materials Using Reverse Monte Carlo Modeling

2014· article· en· W2099308222 sur OpenAlexfundno aff
Helen Y. Playford, L.R. Owen, Igor Levin, Matthew G. Tucker

Notice bibliographique

RevueAnnual Review of Materials Research · 2014
Typearticle
Langueen
DomaineMaterials Science
ThématiqueFerroelectric and Piezoelectric Materials
Établissements canadiensnon disponible
Organismes subventionnairesDalhousie University
Mots-clésReverse Monte CarloMonte Carlo methodStatistical physicsComputer scienceKey (lock)Materials scienceNanotechnologyPhysicsDiffractionMathematics

Résumé

récupéré en direct d'OpenAlex

Local structure and disorder in crystalline materials are increasingly recognized as the key to understanding their functional properties. From negative thermal expansion to dielectric response to thermoelectric properties to ionic conductivity, a clear picture of the local atomic arrangements is essential for understanding these phenomena and developing new practical systems. The combination of total scattering and reverse Monte Carlo (RMC) modeling can provide an unprecedented level of structural detail. In this article, we briefly introduce the method and present a short overview of the scientific areas in which RMC has provided important new insights. Finally, we discuss how the RMC algorithm can be used to combine inputs from multiple experimental techniques, thus moving toward a complex modeling paradigm and helping us to fully understand complex functional materials.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0100,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,097
Tête enseignante GPT0,388
Écart entre enseignants0,291 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
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

Citations64
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnual Review of Materials ResearchMême sujetFerroelectric and Piezoelectric MaterialsTravaux en français237 207