Structure maps and crystal growth of ternary ThCr2Si2-type rare-earth transition-metal silicides and germanides
Notice bibliographique
Résumé
To classify ternary rare-earth silicides REM 2 Si 2 and germanides REM 2 Ge 2 adopting the ThCr 2 Si 2 -type structure, a two-dimensional map based on radius ratios and valence electron counts was developed. This map suggested that the transition metal M plays a dominant role, which was confirmed independently by applying a machine learning algorithm called the sure independence screening and sparsifying operator (SISSO) method. In this way, a simple one-dimensional descriptor based solely on properties of the metal component M was identified in which ThCr 2 Si 2 -type phases are more likely to be formed if this descriptor meets a minimum threshold of 1.68 for silicides and 2.27 for germanides. Although arc-melting is typically used to prepare these compounds, it does not usually afford suitably sized crystals for further characterization. Flux growth of ternary germanides was investigated, with the use of indium yielding crystals of RE Co 2 Ge 2 ( RE = Ce, Eu, Yb) and other compounds. Two-dimensional maps were developed to classify ternary rare-earth silicides and germanides with ThCr2Si2-type structure, but simpler one-dimensional maps were also sought by machine learning. • Models were sought to classify ThCr 2 Si 2 -type silicides and germanides. • Radius ratios and valence electron counts are effective descriptors. • A simpler one-dimensional descriptor was developed by machine learning. • Single crystals of ternary germanides were grown in indium flux.
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 ».