Performance prediction of high-entropy perovskites La0.8Sr0.2MnxCoyFezO3 with automated high-throughput characterization of combinatorial libraries and machine learning
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
Perovskite oxides (ABO3) represent a large family of materials with wide application in many fields due to their celebrated structural and chemical flexibility. Such a vast space of compositions requires efficient exploration strategies now possible with automated high-throughput experiments combined with machine learning prediction algorithms. In this study, we investigate the compositionperformance relationships of high-entropy La0.8Sr0.2MnxCoyFezO3±𝞭 perovskite oxides (0 < x, y, z <1; x+y+z≈1) for application as oxygen electrodes in Solid Oxide Cells. After deposition of a continuous compositional map using thin film combinatorial pulsed laser deposition, we obtain experimental data of structural, composition and functional propertiesfor the whole material family under study through a combination of six advanced characterization methodologies with mapping capabilities. We prove that supervised machine learning methods, particularly random forests, effectively capture the complex relationships between composition, structural features, and electrochemical performance including oxygen transport properties. Using these predictive methods, we create an accurate continuous map of performance for the whole compositional space under study and we open it to the community. Moreover, our model yields an unambiguousstatistical correlation between the distortion of the oxygen sublattice (obtained from spectral analysis of their Raman-active modes) and the highest performances. Finally, the study consistently identifies Fe-rich high-entropy oxides as the optimal compounds with the lowest area-specific resistance values for oxygen electrodes at 700°C. Overall, the work proves the potential of a detailed exploration of relevant chemical spaces by coupling highthroughput experiments and machine learning models to gain new insights and optimize relevant families of materials.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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