张量补全加速材料科学中晶格结构设计

研究人员开发了一种新方法，使用张量补全作为代理模型来加速具有特定机械性能的最优晶格结构的设计。该方法解决了材料设计中的挑战，在这些挑战中，由于实验便利性，训练数据通常是非均匀采样的。实验表明，在有偏采样的情况下，张量补全的性能优于高斯过程和XGBoost等传统机器学习方法，R^2得分约高5%。该技术在跨设计空间的均匀随机采样方法方面也表现出相当的性能。 AI

影响 通过提高设计过程中机器学习模型的效率，这项研究可以显著加速具有所需特性的新材料的发现。

排序理由 该集群包含一篇学术论文，详细介绍了使用机器学习技术进行材料设计的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• Gaussian process
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• ScienceCast
• Shaan Pakala
• XGBoost

• 论文
• 其他

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