ترجمه فارسی مقاله هدف قرار دادن تابع تقسیم مواد شیمیایی آشفته با رویکرد تولیدی مبتنی بر رمزگذارهای خودکار متغیر معکوس

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Targeting the partition function of chemically disordered materials with a generative approach based on inverse variational autoencoders
عنوان مقاله به فارسی هدف قرار دادن تابع تقسیم مواد شیمیایی آشفته با رویکرد تولیدی مبتنی بر رمزگذارهای خودکار متغیر معکوس
نویسندگان Maciej J. Karcz, Luca Messina, Eiji Kawasaki, Emeric Bourasseau
فرمت مقاله انگلیسی PDF
تعداد صفحات 20
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Materials Science,Machine Learning,علوم مواد , یادگیری ماشین ,
توضیحات Submitted 10 September, 2024; v1 submitted 27 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 10 سپتامبر 2024 ؛V1 ارسال شده 27 اوت 2024 ؛در ابتدا اوت 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

Computing atomic-scale properties of chemically disordered materials requires an efficient exploration of their vast configuration space. Traditional approaches such as Monte Carlo or Special Quasirandom Structures either entail sampling an excessive amount of configurations or do not ensure that the configuration space has been properly covered. In this work, we propose a novel approach where generative machine learning is used to yield a representative set of configurations for accurate property evaluation and provide accurate estimations of atomic-scale properties with minimal computational cost. Our method employs a specific type of variational autoencoder with inverse roles for the encoder and decoder, enabling the application of an unsupervised active learning scheme that does not require any initial training database. The model iteratively generates configuration batches, whose properties are computed with conventional atomic-scale methods. These results are then fed back into the model to estimate the partition function, repeating the process until convergence. We illustrate our approach by computing point-defect formation energies and concentrations in (U, Pu)O2 mixed-oxide fuels. In addition, the ML model provides valuable insights into the physical factors influencing the target property. Our method is generally applicable to explore other properties, such as atomic-scale diffusion coefficients, in ideally or non-ideally disordered materials like high-entropy alloys.

چکیده به فارسی (ترجمه ماشینی)

محاسبه خواص در مقیاس اتمی از مواد بی نظمی شیمیایی نیاز به اکتشاف کارآمد از فضای پیکربندی گسترده آنها دارد.رویکردهای سنتی مانند مونت کارلو یا سازه های ویژه شاسیراندوم یا مستلزم نمونه برداری از تعداد بیش از حد پیکربندی ها هستند یا اطمینان حاصل نمی کنند که فضای پیکربندی به درستی پوشانده شده است.در این کار ، ما یک رویکرد جدید را پیشنهاد می کنیم که در آن از یادگیری ماشین سازنده برای ارائه مجموعه ای از پیکربندی ها برای ارزیابی دقیق خاصیت استفاده می شود و تخمین های دقیقی از خواص مقیاس اتمی با حداقل هزینه محاسباتی ارائه می دهد.روش ما از یک نوع خاص از autoencoder متغیر با نقش های معکوس برای رمزگذار و رمزگشایی استفاده می کند و امکان استفاده از یک طرح یادگیری فعال بدون نظارت را فراهم می کند که نیازی به پایگاه داده آموزش اولیه ندارد.این مدل به طور تکراری دسته ای از پیکربندی ها را تولید می کند ، که خصوصیات آنها با روش های در مقیاس اتمی معمولی محاسبه می شود.این نتایج سپس برای برآورد عملکرد پارتیشن به مدل تغذیه می شود و روند را تا همگرایی تکرار می کند.ما رویکرد خود را با محاسبه انرژی و غلظت های تشکیل دهنده نقص در (U ، PU) O2 سوختهای مخلوط اکسید نشان می دهیم.علاوه بر این ، مدل ML بینش ارزشمندی در مورد عوامل فیزیکی مؤثر بر خاصیت هدف ارائه می دهد.روش ما به طور کلی برای کشف سایر خصوصیات ، مانند ضرایب انتشار در مقیاس اتمی ، در مواد ایده آل یا غیر ایده آل مانند آلیاژهای آنتروپی بالا کاربرد دارد.

📚 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.