.png){kind=icon}
返回
Deep learning-based superconductivity prediction and experimental tests
.png){kind=icon}
OA
AI
DOI：10.1140/epjp/s13360-024-05947-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
新型超导材料的发现是材料科学领域的一个长期挑战，在能源、交通和计算等领域具有巨大的应用潜力。人工智能（AI）的最新进展使得通过高效利用庞大的材料数据库来加速新材料的搜索成为可能。本研究中，我们开发了一种基于深度学习（DL）的方法来预测新型超导材料。我们合成了一种源自我们DL网络的化合物，并证实其超导性质与我们的预测相符。我们的方法也与基于随机森林（RFs）的先前工作进行对比。具体而言，RFs需要了解化合物的化学性质，而我们的神经网络输入仅依赖于化学组成。借助我们网络的提示，我们发现了新的三元化合物Mo20Re6Si4，其在5.4 K以下表现出超导性。此外，我们还讨论了使用AI进行预测时存在的局限性及挑战，并探讨了潜在的未来研究方向。
Keyword:
TEMPERATURE
期刊
IF:
4.8
论文数:
1.9W
被引数:
4.7W
机构
引用论文
分享收藏Genetic algorithms for computational materials discovery accelerated by machine learning通过机器学习加速计算材料发现的遗传算法
OAAI
OAAI分享收藏New σ-phases in the Nb-X-Ga and Nb-X-Al systems (X = Ru, Rh, Pd, Ir, Pt, and Au).png)
DALTON TRANSACTIONS
DALTON TRANSACTIONSIF3.3
PREAI
分享收藏A general-purpose machine learning framework for predicting properties of inorganic materials用于预测无机材料性能的通用机器学习框架OAAI
OAAI分享收藏
查看更多内容