Deep-learning approach to the structure of amorphous silicon
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
We present a deep-learning approach for modeling the atomic structure of amorphous silicon ($a$-Si). While accurate models of disordered systems require an ab initio description of the energy landscape which severely limits the attainable system size, large-scale models rely on empirical potentials, at the price of reduced reliability and a computational load that is still restricting for many purposes. In this paper, we explore an approach based on deep learning, particularly generative modeling that could reconcile both requirements of accuracy and efficiency by learning structural features from data. When trained on a set of observations, such models can generate new structures very efficiently with the desired level of accuracy, as determined by the data set. We first validate our approach by training a convolutional neural network to approximate the potential-energy surface of $a$-Si, as given by the Stillinger-Weber potential, which results in a root-mean-square error of 5.05 meV per atom---about $0.16%$ of the atomic energy. We then train a deep generative model, the Wasserstein autoencoder, for the generation of $a$-Si configurations. Our approach leads to models which exhibit some of the essential features of $a$-Si while possessing too much structural disorder, thus suggesting that the method is viable; we indicate avenues for improving it towards the generation of state-of-the-art structures.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,004 |
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