Navigating Materials Space with ML-Generated Electronic Fingerprints
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
Finding materials with good performance in a specific application, especially when the origin of good performance is not well understood or not easily computable, is a major challenge in materials science. Trial-and-error random exploration is prohibitively expensive due to the vastness of the materials space. A more practical approach is to search for new materials within the proximity of known compounds that possess the desired property. In such an approach, assessing materials’ similarity requires deriving some fingerprint relevant for material’s performance. Typically, material’s structure is used as the fingerprint, which often does not translate into similarity in properties. Electronic structure fingerprints, e.g., density of states (DOS) or electronic band structure, were proposed as a better alternative, however, the computational cost of their calculation on the scale of 100,000 materials remains too high for rapid exploration. In this work, we developed a Graph Convolutional Network (GCN) ProDosNet which is trained on orbital-resolved and atom-resolved projected density of states (PDOS) data and is capable of predicting the electronic structure of materials at extremely low computational cost. With this model, we were able to generate PDOS fingerprints for all compounds present in the Materials Projects database and cluster them by similarity of their orbital-resolved PDOS. We demonstrate that these electronic fingerprints allow finding materials with similar electronic properties but drastically different structures for applications in photovoltaics, catalysis, and batteries.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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