Identify Survived Key Features and Relevant Mechanisms for Designing High-Entropy Carbides via AI or Machine Learning
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».