HlightReaxMD: A Machine Learning-Augmented Multiscale Analysis Framework for Radiation Chemistry Dynamics and Damage 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
Molecular dynamics (MD) simulations are currently widely used to study large-scale displacement cascades based on massive simulation trajectories. However, when the irradiation process involves the complex chemical reactions, effectively analyzing and extracting features from these data becomes a challenge. Here, we introduce a new cross-platform toolkit, HlightReaxMD, designed to directly obtain information about the irradiation damage process and chemical reactions from MD trajectories and further achieve the prediction of irradiation damage. The analysis tools in HlightReaxMD include chemical reaction analysis and calculation of reaction kinetic parameters, analysis of the collision cascade process, and calculation of necessary physicochemical properties. HlightReaxMD supports the analysis of all elements used in reactive force fields by reading ReaxFF potential file parameters and provides an automated solution for tracking atomic-scale collision events and analyzing chemical reaction mechanisms through constructing cascade trees and reaction network paths. A machine learning-driven model using the analysis results has been included in HlightReaxMD, which can predict irradiation damage by considering various factors, rather than relying solely on the Norgett-Robinson-Torrens displacements per atom (NRT-dpa) model. It enables researchers to automatically obtain dynamic processes and reaction information from atomic to microscale defects from terabyte-level trajectory data. Thus, HlightReaxMD can promote systematic research on irradiation effects in materials science.
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 | 0,000 | 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