返回顶部
返回首页
返回首页
今天是    | 政策法规 | 行业应用 |
home 您现在的位置: 首页 >技术中心 > 详细信息
使用大数据和机器学习技术从异常中发现异常结构
2019年05月17日    阅读量:1461     新闻来源:中网信息    |  投稿

机器学习(ML)已在材料科学中得到广泛应用。据信,由ML开发的模型可以描述数据的共同趋势,因此反映了结构和性质之间的关系,这可以应用于大多数化合物。因此,通过使用现有数据库训练ML模型,可以在耗时的实验或计算之前预测化合物的重要性质,这将极大地加速新材料设计的过程中国机械网okmao.com


虽然非常有用,但这些模型并没有直接显示结构与财产之间关系的规则和物理。尽管它们具有良好的整体性能,但总会有一些例外,其中ML模型未能给出准确的预测。很多时候,正是这些例外情况为基础物理学提供了一些新的见解,并开辟了科学的新领域。


由北京大学深圳研究生院先进材料学院创始院长冯攀教授领导的一个研究小组最近表明,这些模型不仅在成功准确预测属性时,而且在失败时也很有价值。在他们的工作中,建立了一个模型,根据学校自己构建的高通量计算数据库,根据其原子结构预测化合物的HSE带隙。模型的R2为0.89,与同类作品相当。然后他们过滤掉那些预测误差大于2 eV的结构并仔细检查它们。许多结构具有不寻常的结构单元,或显示具有相似化合物的其他异常,例如相对大的带隙或处于不同的相位。在这些不寻常的结构中 AgO2F引起了极大的兴趣,并给出了详细的分析。发现Ag3 +和O22-共存于该化合物中,而Ag离子处于方形平面配位,Ag和O的轨道之间几乎没有杂化。带边缘附近的状态主要由O-2p轨道和带组成。间隙远小于其他含Ag3 +离子的化合物。这为阴离子氧化还原性质提供了一个新的例子,这是研究Li过量电极材料的热门话题。这些结果证明了如何从机器学习中的异常中发现异常结构,这可以帮助我们从现有数据库中研究新物理和新结构单元。在Ag和O的轨道之间几乎没有杂化。带边缘附近的状态主要由O-2p轨道贡献,带隙比其他具有Ag3 +离子的化合物小得多。这为阴离子氧化还原性质提供了一个新的例子,这是研究Li过量电极材料的热门话题。这些结果证明了如何从机器学习中的异常中发现异常结构,这可以帮助我们从现有数据库中研究新物理和新结构单元。在Ag和O的轨道之间几乎没有杂化。带边缘附近的状态主要由O-2p轨道贡献,带隙比其他具有Ag3 +离子的化合物小得多。这为阴离子氧化还原性质提供了一个新的例子,这是研究Li过量电极材料的热门话题。这些结果证明了如何从机器学习中的异常中发现异常结构,这可以帮助我们从现有数据库中研究新物理和新结构单元。


标签:行业资讯今日头条人工智能技术中心机器人工业机器人
免责声明: 本文仅代表作者本人观点,与本网无关。本网对文中陈述、观点判断保持中立,不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考,并请自行承担全部责任。本网转载自其它媒体的信息,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。如因作品内容、版权和其它问题需要同本网联系的,请在一周内进行,以便我们及时处理。客服邮箱:service@cnso360.com | 客服QQ:23341571

全站地图

深圳网络警察报警平台 深圳网络警
察报警平台

公共信息安全网络监察 公共信息安
全网络监察

经营性网站备案信息 经营性网站
备案信息

中国互联网举报中心 中国互联网
举报中心

中国文明网传播文明 中国文明网
传播文明

深圳市市场监督管理局企业主体身份公示 工商网监
电子标识