ترجمه فارسی مقاله CrysAtom: نمایش توزیع شده اتم ها برای پیش بینی خواص کریستال

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 CrysAtom: Distributed Representation of Atoms for Crystal Property Prediction
عنوان مقاله به فارسی CrysAtom: نمایش توزیع شده اتم ها برای پیش بینی خواص کریستال
نویسندگان Shrimon Mukherjee, Madhusudan Ghosh, Partha Basuchowdhuri
فرمت مقاله انگلیسی PDF
تعداد صفحات 16
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Materials Science,Machine Learning,علوم مواد , یادگیری ماشین ,
توضیحات Submitted 7 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال 7 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

Application of artificial intelligence (AI) has been ubiquitous in the growth of research in the areas of basic sciences. Frequent use of machine learning (ML) and deep learning (DL) based methodologies by researchers has resulted in significant advancements in the last decade. These techniques led to notable performance enhancements in different tasks such as protein structure prediction, drug-target binding affinity prediction, and molecular property prediction. In material science literature, it is well-known that crystalline materials exhibit topological structures. Such topological structures may be represented as graphs and utilization of graph neural network (GNN) based approaches could help encoding them into an augmented representation space. Primarily, such frameworks adopt supervised learning techniques targeted towards downstream property prediction tasks on the basis of electronic properties (formation energy, bandgap, total energy, etc.) and crystalline structures. Generally, such type of frameworks rely highly on the handcrafted atom feature representations along with the structural representations. In this paper, we propose an unsupervised framework namely, CrysAtom, using untagged crystal data to generate dense vector representation of atoms, which can be utilized in existing GNN-based property predictor models to accurately predict important properties of crystals. Empirical results show that our dense representation embeds chemical properties of atoms and enhance the performance of the baseline property predictor models significantly.

چکیده به فارسی (ترجمه ماشینی)

استفاده از هوش مصنوعی (AI) در رشد تحقیقات در زمینه های علوم اساسی فراگیر بوده است.استفاده مکرر از روشهای مبتنی بر یادگیری ماشین (ML) و یادگیری عمیق (DL) توسط محققان منجر به پیشرفت های قابل توجهی در دهه گذشته شده است.این تکنیک ها منجر به پیشرفت های قابل توجه در کارهای مختلف مانند پیش بینی ساختار پروتئین ، پیش بینی میل اتصال به دارو و پیش بینی خاصیت مولکولی شد.در ادبیات علوم مادی ، کاملاً مشهور است که مواد کریستالی ساختارهای توپولوژیکی را نشان می دهند.چنین ساختارهای توپولوژیکی ممکن است به عنوان نمودارها و استفاده از رویکردهای مبتنی بر شبکه عصبی نمودار (GNN) نشان داده شود می تواند به رمزگذاری آنها در یک فضای بازنمایی افزایش یافته کمک کند.در درجه اول ، چنین چارچوبی از تکنیک های یادگیری نظارت شده در جهت انجام وظایف پیش بینی خاصیت در پایین دست بر اساس خواص الکترونیکی (انرژی تشکیل ، باند ، انرژی کل و غیره) و ساختارهای کریستالی استفاده می کنند.به طور کلی ، چنین نوع چارچوبها به نمایش های ویژگی اتم دست ساز به همراه بازنمایی های ساختاری متکی هستند.در این مقاله ، ما یک چارچوب بدون نظارت ، یعنی Crysatom ، با استفاده از داده های کریستالی بدون استفاده برای تولید بازنمایی بردار متراکم اتمها ، پیشنهاد می کنیم ، که می تواند در مدل های پیش بینی کننده خاصیت مبتنی بر GNN مورد استفاده قرار گیرد تا به طور دقیق خواص مهم کریستال ها را پیش بینی کند.نتایج تجربی نشان می دهد که بازنمایی متراکم ما خصوصیات شیمیایی اتمها را تعبیه کرده و عملکرد مدل های پیش بینی کننده خاصیت پایه را به طور قابل توجهی افزایش می دهد.

📚 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.