研究人员开发了一种使用神经切线核（NTK）来理解神经网络预测材料内部表征的方法。通过评估训练参数下的NTK，他们可以揭示预测超导转变温度的网络所学习到的几何结构。这种方法与核岭回归相结合，与网络的预测精度非常接近，并且显著优于使用初始核。对学习到的几何结构的分析表明，它主要由几个关键方向决定，从而可以将化合物组织成可识别的超导家族，并识别出具有相似化学和关联电子性质的材料。 AI
影响 为理解和解释材料科学研究中使用的AI模型的内部工作机制提供了一种新方法。
排序理由 该条目是一篇在arXiv上发表的学术论文，详细介绍了一种分析材料科学中神经网络表征的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Chemical properties and optical properties of carbonaceous particles
- clustering algorithm
- correlated-electron properties
- Kernel Ridge Regression
- Materials space of solid-state electrolytes: unraveling chemical composition-structure-ionic conductivity relationships in garnet-type metal oxides using cheminformatics virtual screening approaches.
- multidimensional scaling
- Neural tangent kernel
- superconducting families
- Superconducting Transition Temperatures of Semiconducting SrTi O 3
- Turks and Caicos Islands
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
