Computational Framework Combining Quantum Mechanics, Molecular Dynamics, and Deep Neural Networks to Evaluate the Intrinsic Properties of Materials
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
The design and evaluation of future nanomaterials with specific properties is a challenging task as the current traditional methods rely on trial and error approaches that are time-consuming and expensive. On the computational front, design tools such as molecular dynamics (MD) simulations help us reduce the costs and times. However, nonbonded potential parameters, the key input parameters for an MD simulation, are usually not available for designing and studying new materials. Resolving this, quantum mechanics (QM) calculations could be used to evaluate the system’s energy as a function of the nonbonded distances, and the resulting data set could be fit to a generic potential equation to obtain the fitting constants (potential parameters). However, fitting this massive data set containing thousands of unknown parameters using traditional mathematical formulations is not feasible. Hence, most computational frameworks in the literature utilize several simplifications, leading to a severe loss of accuracy. Addressing this deficiency, in this work, we propose a multi-scale framework that couples QM calculations and MD with advanced deep neural networks to determine the potential parameters. This advanced framework has been extensively validated by employing it to predict properties such as the density, boiling point, and melting point of five different types of molecules that are well-understood, namely, the polar molecule H 2 O, ionic compound LiPF 6, ethanol (C 2 H 5 OH), long-chain molecule C 8 H 18, and the complex molecular system ethylene carbonate (EC).
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 | 0,002 | 0,001 |
| 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 | 0,001 | 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