MétaCan
Menu
Retour à la cohorte
Enregistrement W4390766164 · doi:10.2172/2280557

Quantum-centric Supercomputing for Materials Science: A Perspective on Challenges and Future Directions

2023· report· en· W4390766164 sur OpenAlexfundno aff
Yuri Alexeev, Stephan Eidenbenz, Antonio Mezzacapo, Scott Pakin

Notice bibliographique

Revuenon disponible
Typereport
Langueen
DomaineMaterials Science
ThématiqueElectronic and Structural Properties of Oxides
Établissements canadiensnon disponible
Organismes subventionnairesArgonne National LaboratoryOffice of ScienceLos Alamos National LaboratoryNatural Sciences and Engineering Research Council of CanadaNational Nuclear Security AdministrationEuropean CommissionOak Ridge National LaboratoryCERNU.S. Department of EnergyEusko JaurlaritzaNational Science Foundation
Mots-clésSupercomputerComputer scienceQuantum computerPerspective (graphical)Computational scienceIdentification (biology)Data scienceQuantumComputational modelFace (sociological concept)Parallel computingSimulationArtificial intelligencePhysics

Résumé

récupéré en direct d'OpenAlex

Computational models are an essential tool for the design, characterization, and discovery of novel materials.Hard computational tasks in materials science stretch the limits of existing highperformance supercomputing centers, consuming much of their simulation, analysis, and data resources.Quantum computing, on the other hand, is an emerging technology with the potential to accelerate many of the computational tasks needed for materials science.In order to do that, the quantum technology must interact with conventional high-performance computing in several ways: approximate results validation, identification of hard problems, and synergies in quantum-centric supercomputing.In this paper, we provide a perspective on how quantum-centric supercomputing can help address critical computational problems in materials science, the challenges to face in order to solve representative use cases, and new suggested directions.

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,497
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,079
Tête enseignante GPT0,339
Écart entre enseignants0,260 · 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

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetElectronic and Structural Properties of OxidesTravaux en français237 207