MétaCan
Menu
Retour à la cohorte
Enregistrement W4385873932 · doi:10.1107/s1600576723005800

Introduction to <i>Python Dynamic Diffraction Toolkit</i> (<i>PyDDT</i>): structural refinement of single crystals via X-ray phase measurements

2023· article· en· W4385873932 sur OpenAlexafffund
Rafaela F. S. Penacchio, Maurício B. Estradiote, C.M.R. Remédios, Guilherme A. Calligaris, M. S. Torikachvili, S. Kycia, Sérgio L. Morelhão

Notice bibliographique

RevueJournal of Applied Crystallography · 2023
Typearticle
Langueen
DomaineMaterials Science
ThématiqueX-ray Diffraction in Crystallography
Établissements canadiensUniversity of Guelph
Organismes subventionnairesLaboratório Nacional de Luz SíncrotronCanadian Institutes of Health ResearchCentro Nacional de Pesquisa em Energia e MateriaisConselho Nacional de Desenvolvimento Científico e TecnológicoNatural Sciences and Engineering Research Council of CanadaMinistério da Ciência, Tecnologia e InovaçãoFundação de Amparo à Pesquisa do Estado de São PauloUniversity of SaskatchewanCanadian Light Source
Mots-clésPython (programming language)Computer scienceDiffractionCrystallographyComputational scienceOpticsPhysicsProgramming languageChemistry

Résumé

récupéré en direct d'OpenAlex

PyDDT is a free Python package of computer codes for exploiting X-ray dynamic multiple diffraction in single crystals. A wide range of tools are available for evaluating the usefulness of the method, planning feasible experiments, extracting phase information from experimental data and further improving model structures of known materials. Graphical tools are also useful in analytical methodologies related to the three-dimensional aspect of multiple diffraction. For general X-ray users, the PyDDT tutorials provide the insight needed to understand the principles of phase measurements and other related methodologies. Key points behind structure refinement using the current approach are presented, and the main features of PyDDT are illustrated for amino acid and filled skutterudite single crystals.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,177
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,277
Écart entre enseignants0,258 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations1
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Applied CrystallographyMême sujetX-ray Diffraction in CrystallographyTravaux en français237 207