Disentangling Structural Confusion through Machine Learning: Structure Prediction and Polymorphism of Equiatomic Ternary Phases <i>ABC</i>
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A method to predict the crystal structure of equiatomic ternary compositions based only on the constituent elements was developed using cluster resolution feature selection (CR-FS) and support vector machine (SVM) classification. The supervised machine-learning model was first trained with 1037 individual compounds that adopt the most populated ternary 1:1:1 structure types (TiNiSi-, ZrNiAl-, PbFCl-, LiGaGe-, YPtAs-, UGeTe-, and LaPtSi-type) and then validated using an additional 519 compounds. The CR-FS algorithm improves class discrimination and indicates that 113 variables including size, electronegativity, number of valence electrons, and position on the periodic table (group number) influence the structure preference. The final model prediction sensitivity, specificity, and accuracy were 97.3%, 93.9%, and 96.9%, respectively, establishing that this method is capable of reliably predicting the crystal structure given only its composition. The power of CR-FS and SVM classification is further demonstrated by segregating the crystal structure of polymorphs, specifically to examine polymorphism in TiNiSi- and ZrNiAl-type structures. Analyzing 19 compositions that are experimentally reported in both structure types, this machine-learning model correctly identifies, with high confidence (>0.7), the low-temperature polymorph from its high-temperature form. Interestingly, machine learning also reveals that certain compositions cannot be clearly differentiated and lie in a "confused" region (0.3-0.7 confidence), suggesting that both polymorphs may be observed in a single sample at certain experimental conditions. The ensuing synthesis and characterization of TiFeP adopting both TiNiSi- and ZrNiAl-type structures in a single sample, even after long annealing times (3 months), validate the occurrence of the region of structural uncertainty predicted by machine learning.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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