Identify Survived Key Features and Relevant Mechanisms for Designing High-Entropy Carbides via AI or 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
Multielement high-entropy carbides (HECs) provide many opportunities for HECs to obtain optimal combinations of various properties, e.g., high strength and high flexibility, leading to high toughness. However, the multielements significantly increase the compositional arrangements, challenging the development of advanced HECs. Machine learning (ML) provides a powerful approach to HEC design/discovery. Identifying key parameters or selecting the key features is crucial for carbide design with desirable properties. In the meantime, developing a reliable ML model with minimized mutual interference from multiple features, toward more accurate property predictions, also benefits the carbide discovery. In this study, we use a small carbide database to study the correlations between elastic moduli and 13 features with the assistance of recursive feature elimination (RFE) and investigate how the feature selection affects the prediction of HECs' properties. It is demonstrated that the mutual interference among highly correlated features may have a negative influence on the accuracy of ML prediction due to their mutual interference or redundant noise. For HECs, a few basic features are identified, which largely determine their elastic moduli. Among them, electron work function and valence electron concentration (VEC) appear to be more responsible for bulk and shear/Young's moduli, respectively. Other parameters are crucial for all elastic moduli, such as mixing entropy, formation energy, bond order, and bond length. This study demonstrates the significance of identifying the prominent features with lowered mutual interference or noise in further HECs with optimal properties.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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