Machine Learning‐Enhanced Prediction of Inorganic Semiconductor Bandgaps for Advancing Optoelectronic Technologies
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
Abstract A pivotal challenge in advancing inorganics optoelectronic technologies, is the precise characterization of materials' electronic attributes, with the bandgap being a critical property. Conventional approaches, heavily reliant on time‐intensive and financially demanding experimental and computational methods, such as density functional theory (DFT) calculations, face limitations due to inherent estimation errors. Machine learning methodologies are developed for the prediction of bandgaps of inorganic semiconductors but most of them are employed for datasets created by DFT calculations, hence limiting their performance. Addressing this, the study leverages machine learning methodologies, harnessing both compositional and structural features, to predict the band gaps of inorganic semiconductors with enhanced accuracy. This advancement is reinforced by the employment of an experimental bandgap dataset, which, when integrated with structural descriptors obtained from the Materials Project, significantly improves prediction capabilities. This is evidenced by the model's exceptional performance across two distinct benchmark datasets. Furthermore, the model's adeptness in predicting formation energies underscores its versatility and applicability to a broad spectrum of electronic properties. These findings suggest that the predictive accuracy of this model can be further augmented through the inclusion of additional experimental bandgap measurements and the refinement of structural descriptors. This approach offers a promising and efficient alternative to traditional methodologies, potentially accelerating the development of optoelectronic technologies.
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 | 0,001 | 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 | 0,000 | 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