Binary salt structure classification with convolutional neural networks: Application to crystal nucleation and melting point calculations
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
Convolutional neural networks are constructed and validated for the crystal structure classification of simple binary salts such as the alkali halides. The inputs of the neural network classifiers are the local bond orientational order parameters of Steinhardt, Nelson, and Ronchetti [Phys. Rev. B 28, 784 (1983)], which are derived solely from the relative positions of atoms surrounding a central reference atom. This choice of input gives classifiers that are invariant to density, increasing their transferability. The neural networks are trained and validated on millions of data points generated from a large set of molecular dynamics (MD) simulations of model alkali halides in nine bulk phases (liquid, rock salt, wurtzite, CsCl, 5-5, sphalerite, NiAs, AntiNiAs, and β-BeO) across a range of temperatures. One-dimensional time convolution is employed to filter out short-lived structural fluctuations. The trained neural networks perform extremely well, with accuracy up to 99.99% on a balanced validation dataset constructed from millions of labeled bulk phase structures. A typical analysis using the neural networks, including neighbor list generation, order parameter calculation, and class inference, is computationally inexpensive compared to MD simulations. As a demonstration of their accuracy and utility, the neural network classifiers are employed to follow the nucleation and crystal growth of two model alkali halide systems, crystallizing into distinct structures from the melt. We further demonstrate the classifiers by implementing them in automated MD melting point calculations. Melting points for model alkali halides using the most commonly employed rigid-ion interaction potentials are reported and discussed.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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