Active learning for optimum experimental design—insight into perovskite oxides
Notice bibliographique
Résumé
Finding the optimum material with improved properties for a given application is challenging because data acquisition in materials science and chemistry is time consuming and expensive. Therefore, dealing with small datasets is a reality in chemistry, whether the data are obtained from synthesis or computational experiments. In this work, we propose a new artificial intelligence method based on active learning (AL) to guide new experiments with as little data as possible, for optimum experimental design. The AL method is applied to ABO3 perovskites, where a descriptor based on atomic properties was developed. Several regressor algorithms were employed: artificial neural network, Gaussian process, and support vector regressor. The developed AL method was applied in the experimental design of two important materials: non-stoichiometric perovskites (Ba(1− x)A x Ti(1− y)B y O3) due to substituting ionic sites with different concentrations and elements (A = Ca, Sr, Cd; B = Zr, Sn, Hf), aiming at the maximization of the energy storage density, and stoichiometric ABO3 perovskites where different elements are changed in the A and B sites for the minimization of the formation energy. AL for experimental design is implemented in the machine learning agent for chemistry and design (MLChem4D) software, which has the potential to be applied in inorganic and organic synthesis (e.g., search for the optimum concentrations, catalysts, reactants, temperatures, and pH to improve the yield) and materials science (e.g., search the periodic table for the proper elements and their concentrations to improve the materials properties). The latter marks the first MLChem4D application for the design of perovskites.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».