ترجمه فارسی مقاله توصیفگرهای مبتنی بر قطعه با ابعاد پایین برای پیش‌بینی خواص در مواد معدنی با یادگیری ماشین

چکیده

In recent times, the use of machine learning in materials design and discovery has aided to accelerate the discovery of innovative materials with extraordinary properties, which otherwise would have been driven by a laborious and time-consuming trial-and-error process. In this study, a simple yet powerful fragment-based descriptor, Low Dimensional Fragment Descriptors (LDFD), is proposed to work in conjunction with machine learning models to predict important properties of a wide range of inorganic materials such as perovskite oxides, metal halide perovskites, alloys, semiconductor, and other materials system and can also be extended to work with interfaces. To predict properties, the generation of descriptors requires only the structural formula of the materials and, in presence of identical structure in the dataset, additional system properties as input. And the generation of descriptors involves few steps, encoding the formula in binary space and reduction of dimensionality, allowing easy implementation and prediction. To evaluate descriptor performance, six known datasets with up to eight components were compared. The method was applied to properties such as band gaps of perovskites and semiconductors, lattice constant of magnetic alloys, bulk/shear modulus of superhard alloys, critical temperature of superconductors, formation enthalpy and energy above hull convex of perovskite oxides. An advanced python-based data mining tool matminer was utilized for the collection of data. The prediction accuracies are equivalent to the quality of the training data and show comparable effectiveness as previous studies. This method should be extendable to any inorganic material systems which can be subdivided into layers or crystal structures with more than one atom site, and with the progress of data mining the performance should get better with larger and unbiased datasets.

چکیده به فارسی (ترجمه ماشینی)

در زمان های اخیر ، استفاده از یادگیری ماشین در طراحی و کشف مواد به سرعت بخشیدن به کشف مواد نوآورانه با خواص خارق العاده کمک کرده است ، که در غیر این صورت توسط یک فرآیند آزمایشی و پرخاشگر و زمان آور محاکمه می شود.در این مطالعه ، یک توصیف کننده ساده و در عین حال قدرتمند مبتنی بر قطعه ، توصیف کننده های قطعه کم بعدی (LDFD) ، پیشنهاد شده است که در رابطه با مدل های یادگیری ماشین کار کند تا خواص مهم طیف گسترده ای از مواد معدنی مانند اکسیدهای پروسکیت ، پلوسسکیت های هالید فلزی را پیش بینی کند.، آلیاژها ، نیمه هادی و سیستم سایر مواد و همچنین می توان برای کار با رابط ها گسترش یافت.برای پیش بینی خواص ، تولید توصیف کننده ها فقط به فرمول ساختاری مواد و در صورت وجود ساختار یکسان در مجموعه داده ها ، خصوصیات سیستم اضافی به عنوان ورودی نیاز دارد.و تولید توصیف کنندگان شامل چند مرحله ، رمزگذاری فرمول در فضای باینری و کاهش ابعاد ، امکان اجرای و پیش بینی آسان است.برای ارزیابی عملکرد توصیف کننده ، شش مجموعه داده شناخته شده با حداکثر هشت مؤلفه مقایسه شدند.این روش برای خواصی مانند شکاف های باند پروسکی ها و نیمه هادی ها ، ثابت شبکه آلیاژهای مغناطیسی ، مدول فله/برشی آلیاژهای فوق العاده ، دمای بحرانی ابررسانه ها ، آنتالپی تشکیل و انرژی بالاتر از محدب پوسته اکسیدهای پروسکیت استفاده شده است.از یک ابزار پیشرفته داده کاوی مبتنی بر پایتون Matminer برای جمع آوری داده ها استفاده شد.دقت پیش بینی معادل کیفیت داده های آموزش است و اثربخشی قابل مقایسه با مطالعات قبلی را نشان می دهد.این روش باید برای هر سیستم مواد معدنی که می تواند به لایه ها یا ساختارهای کریستالی با بیش از یک سایت اتم تقسیم شود ، قابل گسترش باشد و با پیشرفت داده کاوی عملکرد باید با مجموعه داده های بزرگتر و بی طرفانه بهتر شود.