Material informatics for layered high-<i>T</i> <i>C</i> superconductors
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
Superconductors were typically discovered by trial-and-error aided by the knowledge and intuition of individual researchers. In this work, using materials informatics aided by machine learning (ML), we build an ML model of superconductors, which is based on several material descriptors with apparent physical meanings to efficiently predict critical superconducting temperature TC. The descriptors include the average atomic mass of a compound, the average number of electrons in an unfilled shell, the average ground state atomic magnetic moments, the maximum difference of electronegativity, etc. To fully optimize the ML model, we develop a multi-step learning and multi-algorithm cross-verification approach. For known high TC superconductors, our ML model predicts excellent TC values with over 92% confidence. When the ML model is applied to about 2500 layered materials in the inorganic crystal structure database, 25 of them are predicted to be superconductors not known before, including 12 cuprates, 7 iron-based crystals, and 6 others, with TC ranging from ∼32 K to ∼138 K. The findings shed considerable light on the mapping between the material descriptors and TC for layered superconductors. The ML calculates that in our descriptors, the maximum difference of electronegativity is the most important one.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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