PulseAugur
中
实时 06:48:33
English(EN) Ordered-to-disordered transfer learning with graph neural networks for formation-energy and HOMO-LUMO gap prediction in high-entropy perovskite oxides

图神经网络增强高熵氧化物材料性质预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员探索了使用图神经网络（GNNs）预测高熵钙钛矿氧化物（HEPOs）的性质，这是一类复杂的材料。该研究调查了有序到无序迁移学习，将从化学有序钙钛矿中获得的知识应用于预测HEPOs的形成能和HOMO-LUMO能隙。结果表明，形成能预测有效迁移，而HOMO-LUMO能隙预测由于对局部化学环境的敏感性而表现出有限的可迁移性。纳入少量HEPO特异性数据集显著提高了HOMO-LUMO能隙预测，并且在GNN模型中包含三体几何信息增强了对复杂结构-性质关系的捕捉。 AI

影响 通过提高复杂材料性质的预测准确性，推动材料科学研究。

排序理由 学术论文，详细介绍了图神经网络在材料科学中的新应用。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

图神经网络增强高熵氧化物材料性质预测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Panupol Untarabut, Narjes Jomaa, Sylvian Cadars, Olivier Masson, Samuel Bernard, Assil Bouzid, Santanu Saha ·

    基于图神经网络的有序-无序迁移学习在 차지-엔트로피 钙钛矿氧化物的形成能和HOMO-LUMO能隙预测中的应用

    arXiv:2607.29510v1 Announce Type: cross Abstract: High-entropy perovskite oxides (HEPOs) represent a chemically complex class of materials with promising functional properties, yet their vast compositional space and, chemical/structural disorder pose significant challenge for acc…

相关实体

相关话题