MétaCan
Menu
Retour à la cohorte
Enregistrement W3151058575 · doi:10.1002/cjce.24127

Experimental methods in chemical engineering: Density functional theory

2021· article· en· W3151058575 sur OpenAlexafffundvenue
Hasan Al‐Mahayni, Xiao Wang, Jean‐Philippe Harvey, Gregory S. Patience, Ali Seifitokaldani

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2021
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMachine Learning in Materials Science
Établissements canadiensPolytechnique MontréalMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésDensity functional theoryBasis (linear algebra)Statistical physicsComputationElectronic structureComputer scienceComputational chemistryTheoretical physicsPhysicsQuantum mechanicsMathematicsChemistryAlgorithmGeometry

Résumé

récupéré en direct d'OpenAlex

Abstract Density functional theory (DFT) computations apply to physics, chemistry, material science, and engineering. In chemical engineering, DFT identifies material structure and properties, and mechanisms for phenomena such as chemical reaction and phase transformation that are otherwise impossible to measure experimentally. Even though its practical application dates back only a decade or two, it is already a standard tool for materials modelling. Many textbooks and articles describe the theoretical basis of DFT, but it remains difficult for researchers to autonomously learn the steps to accurately calculate system properties. Here, we first explain the foundations of DFT in a way accessible to chemical engineers with little background in quantum mechanics or solid‐state physics. Then, we introduce the basics of the computations and, for most of the rest of the article, we show how to derive physical characteristics of interest to chemical engineers: elastic, thermodynamic, and surface properties, electronic structure, and surface and chemical reaction energy. Finally, we highlight some limitations of DFT; since these calculations are approximations to the Schrödinger equation, their accuracy relies on choosing adequate exchange‐correlation functions and basis sets. Since 1991, the number of articles WoS has indexed related to DFT has increased quadratically with respect to time and now numbers 15 000. A bibliometric analysis of the top 10 000 cited articles in 2018 and 2019 classifies them into four clusters: adsorption, graphene, and nanoparticles; ab initio molecular dynamics and crystal structure; electronic structure and optical properties; and total energy calculations and wave basis sets.

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)0,004
score de la tête « metaresearch » (Gemma)0,008
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: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,008
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,002
Communication savante0,0020,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0080,002

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,257
Écart entre enseignants0,244 · 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
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations63
Publié2021
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Chemical EngineeringMême sujetMachine Learning in Materials ScienceTravaux en français237 207