Atomic energy in grain boundaries studied by machine learning
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
Grain boundaries (GBs) have been studied for decades, but it remains a challenging task to describe characteristic GB properties by simple structural descriptors, especially at the local atomic level. In this paper, we use the atomic descriptor based on the smooth overlap of atomic positions (SOAP) to study the atomic energy at GBs by using machine learning and propose a route to simplify it. It is found that, compared with conventional local atomic descriptors such as the Voronoi index, excess volume, centrosymmetry, or local entropy, the SOAP vector shows excellent predictive performance for the atomic energy among the 172 Al and 388 Ni coincidence site lattice (CSL) GBs as well as general GBs in the nanocrystalline model. Additionally, we successfully used the datasets of GBs and amorphous models to predict the atomic energy of one another, which proves the similarity between the local atomic environments (LAEs) in GBs and the amorphous state. Furthermore, the distribution of local distortion factors based on the SOAP vector shows the transition in atomic pack ordering from special CSL GBs to general GBs and the amorphous structures. The simplified descriptor we propose can reduce the original SOAP vector from >1000 features to only a few yet still shows the superior predictive performance of the atomic energy at GBs in all cases than the conventional descriptors combined. It is expected that the simplification process can be adapted to study more complex GB behaviors. A simple and efficient descriptor of the LAEs should allow us to have a clearer picture of the structure-property correlation in GBs, which is essential for GB engineering.
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 | 0,003 | 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 | 0,001 | 0,000 |
| 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) | 0,008 | 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