Ahead by a Century: Discovery of Laves Phases Assisted by Machine Learning
Notice bibliographique
Résumé
Laves phases AB 2 form the most abundant group of intermetallic compounds, consisting of combinations of larger electropositive metals A with smaller metals B . Many practical applications of Laves phases depend on the ability to tune their physical properties through appropriate substitution of either the A or B component. Although simple geometrical and electronic factors have long been thought to control the formation of Laves phases, no single factor alone can make predictions accurately. Several machine learning models have been developed to discover new Laves phases, including variations caused by solid solubility, using elemental properties solely on the basis of chemical composition. These models were trained on a data set comprising about 3700 entries of experimentally known phases AB 2 with Laves and non-Laves structures. Among these models, a decision tree algorithm gave very good performance (average recall of 95%, precision of 94%, and accuracy of 96% on the test set) by using only a small set of descriptors, the most important of which relates to the electron density at the boundary of the Wigner–Seitz cell for the B component. This model provides guidance for new experiments by making predictions on >400000 candidates very quickly. A chemically unintuitive candidate Cd(Cu 1– x Sb x ) 2 with a limited solid solubility of Sb for Cu was targeted; it was successfully synthesized and confirmed to adopt a cubic MgCu 2 -type Laves structure.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».