ترجمه فارسی مقاله نمایش بارهای موثر متولد شده با شبکه های عصبی کانولوشنال نمودار معادل

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Representing Born effective charges with equivariant graph convolutional neural networks
عنوان مقاله به فارسی نمایش بارهای موثر متولد شده با شبکه های عصبی کانولوشنال نمودار معادل
نویسندگان Alex Kutana, Koji Shimizu, Satoshi Watanabe, Ryoji Asahi
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Materials Science,Disordered Systems and Neural Networks,علوم مواد , سیستم های بی نظم و شبکه های عصبی ,
توضیحات Submitted 13 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 13 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Graph convolutional neural networks have been instrumental in machine learning of material properties. When representing tensorial properties, weights and descriptors of a physics-informed network must obey certain transformation rules to ensure the independence of the property on the choice of the reference frame. Here we explicitly encode such properties using an equivariant graph convolutional neural network. The network respects rotational symmetries of the crystal throughout by using equivariant weights and descriptors and provides a tensorial output of the target value. Applications to tensors of atomic Born effective charges in diverse materials including perovskite oxides, Li3PO4, and ZrO2, are demonstrated, and good performance and generalization ability is obtained.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی حلقوی نمودار در یادگیری ماشین از خصوصیات مواد مؤثر بوده اند.هنگام نمایندگی از خصوصیات تنشی ، وزن و توصیف کننده های یک شبکه آگاه از فیزیک باید از قوانین تحول خاصی پیروی کنند تا از استقلال خاصیت در انتخاب قاب مرجع اطمینان حاصل شود.در اینجا ما صریحاً چنین خواصی را با استفاده از یک شبکه عصبی حلقوی نمودار Equivariart رمزگذاری می کنیم.این شبکه با استفاده از وزن ها و توصیف کننده های یکسانت ، تقارن چرخشی کریستال را در کل احترام می گذارد و خروجی تنشی از مقدار هدف را فراهم می کند.برنامه های کاربردی به تنش از هزینه های مؤثر اتمی متولد شده در مواد متنوعی از جمله اکسیدهای پروسکیت ، Li3PO4 و ZRO2 نشان داده شده و عملکرد خوب و توانایی عمومی به دست می آید.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.