Multi-task Attention for Doped Thermoelectric Properties Prediction
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 Improving the performance of thermoelectric (TE) materials is essential for their wider adoption in sustainable energy and cooling applications. Impurity doping is a common strategy for enhancing transport properties, yet synthesizing every possible TE composition is infeasible, and high-fidelity ab initio simulations remain computationally expensive. Machine learning offers a viable alternative by learning a cheaper surrogate model, but conventional approaches often struggle to capture the diverse doping effects due to compositional similarity between doped and undoped materials. To address this challenge, we adapt the existing Compositionally restricted attention-based Network ( CrabNet ) into a multi-task (MT) variant, MT CrabNet , which uses self-attention to implicitly learn composition-specific dopant effects. MT learning enables simultaneous predictions of seven TE transport properties, leveraging their interdependence to enhance performance. We also explore different strategies for encoding external variables such as temperature. Trained on an experimental dataset covering over 1400 unique compositions, MT CrabNet consistently achieves top performance, with significant improvements for electronic thermal conductivity and electrical conductivity. Compared to its single-task variant, MT CrabNet delivers up to 1.5× improvement in R 2 . This establishes MT CrabNet as a valuable tool for accelerating the screening and discovery of high-performance TE materials, with a design extensible to doped systems beyond the TE domain.We also share the code and dataset used in this work.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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