Is There a Simple Descriptor to Predict Laves Phases?
Notice bibliographique
Résumé
Laves phases AB 2, which represent the largest group of intermetallic compounds, have many applications as structural and functional materials, whose properties can be optimized through the tuning of solid solutions such as (A1,A2)B 2 or A(B1,B2) 2 . Although they are known to be governed by size and electronic factors, there is no universal set of rules that is able to predict which arbitrary combination of elements will lead to Laves structures. Models have been recently developed that can predict Laves structures accurately based on conventional machine learning algorithms, but more interpretable models would be desirable. Through application of the sure independence screening and sparsifying operator (SISSO) method, modified using decision trees as the scoring function, simple descriptors based on elemental properties were sought to classify Laves vs non-Laves structures within a data set consisting of 534 binary and 3833 ternary experimentally known intermetallic phases reported in Pearson’s Crystal Data. A model based on a one-dimensional descriptor was proposed that depends on elemental properties of the A and B components, with the electron density at the boundary of the Wigner–Seitz cell for the B component playing an important role. This model gave an accuracy of 90% in predicting Laves vs non-Laves structures among binary and ternary phases. As a test of the model, the solid solubility limits for Dy(Ag x Al 1– x ) 2 and Er(Ag x Al 1– x ) 2 Laves phases were predicted and then experimentally validated through arc-melting reactions and structural characterization.
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 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».