MétaCan
Menu
Retour à la cohorte
Enregistrement W2952736849 · doi:10.1002/jcc.26003

Nine questions on energy decomposition analysis

2019· article· en· W2952736849 sur OpenAlexaff
Juán Andrés, Paul W. Ayers, Roberto A. Boto, Ramon Carbó‐Dorca, Henry Chermette, Jerzy Ciosłowski, Julia Contreras‐García, David L. Cooper, Gernot Frenking, Carlo Gatti, Farnaz Heidar‐Zadeh, Laurent Joubert, Ángel Martín Pendás, Eduard Matito, I. Mayer, Alston J. Misquitta, Yirong Mo, Paul L. A. Popelier, Martin Rahm, Eloy Ramos‐Cordoba, Pedro Salvador, W. H. Eugen Schwarz, Shant Shahbazian, Bernard Silvi, Miquel Solà, Krzysztof Szalewicz, Vincent Tognetti, Frank Weinhold, Émilie‐Laure Zins

Notice bibliographique

RevueJournal of Computational Chemistry · 2019
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMachine Learning in Materials Science
Établissements canadiensQueen's UniversityMcMaster University
Organismes subventionnairesnon disponible
Mots-clésDecompositionEnergy (signal processing)Computer scienceChemistryMathematicsStatistics

Résumé

récupéré en direct d'OpenAlex

The paper collects the answers of the authors to the following questions: Is the lack of precision in the definition of many chemical concepts one of the reasons for the coexistence of many partition schemes? Does the adoption of a given partition scheme imply a set of more precise definitions of the underlying chemical concepts? How can one use the results of a partition scheme to improve the clarity of definitions of concepts? Are partition schemes subject to scientific Darwinism? If so, what is the influence of a community's sociological pressure in the "natural selection" process? To what extent does/can/should investigated systems influence the choice of a particular partition scheme? Do we need more focused chemical validation of Energy Decomposition Analysis (EDA) methodology and descriptors/terms in general? Is there any interest in developing common benchmarks and test sets for cross-validation of methods? Is it possible to contemplate a unified partition scheme (let us call it the "standard model" of partitioning), that is proper for all applications in chemistry, in the foreseeable future or even in principle? In the end, science is about experiments and the real world. Can one, therefore, use any experiment or experimental data be used to favor one partition scheme over another? © 2019 Wiley Periodicals, Inc.

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)0,018
score de la tête « metaresearch » (Gemma)0,051
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: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,098

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0180,051
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,003
Études des sciences et des technologies0,0030,013
Communication savante0,0070,017
Science ouverte0,0020,006
Intégrité de la recherche0,0060,010
Charge utile insuffisante (le modèle a refusé de juger)0,0110,003

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 Opus0,004
Tête enseignante GPT0,272
Écart entre enseignants0,268 · 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
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

Citations153
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Computational ChemistryMême sujetMachine Learning in Materials ScienceTravaux en français237 207