Machine learning reveals orbital interaction in materials.
Machine learning reveals orbital interaction in materials.
复制标题
DOI：
10.1080/14686996.2017.1378060
复制
发表时间：
2017
影响因子：
5.5
通讯作者：
Chi Dam H
中科院分区：
文献类型：
--
作者：
Lam Pham T;Kino H;Terakura K;Miyake T;Tsuda K;Takigawa I;Chi Dam H
我们提出了一种新的表示材料命名为“轨道场矩阵（OFM矩阵）”，这是基于价层电子的分布。我们证明了这种新的表示方法在挖掘材料数据中非常有用。实验研究表明，利用OFM可以高精度地预测镧系金属和过渡金属双金属合金中晶态材料的形成能、分子材料的原子化能以及组成原子的局域磁矩。关于过渡金属和镧系元素的配位数在确定过渡金属位点的局部磁矩中的作用的知识可以直接从使用OFM的决策树回归分析中获得。
We propose a novel representation of materials named an ‘orbital-field matrix (OFM)’, which is based on the distribution of valence shell electrons. We demonstrate that this new representation can be highly useful in mining material data. Experimental investigation shows that the formation energies of crystalline materials, atomization energies of molecular materials, and local magnetic moments of the constituent atoms in bimetal alloys of lanthanide metal and transition-metal can be predicted with high accuracy using the OFM. Knowledge regarding the role of the coordination numbers of the transition-metal and lanthanide elements in determining the local magnetic moments of the transition-metal sites can be acquired directly from decision tree regression analyses using the OFM.
登录
查看更多内容
影响因子：
3.7
作者：
Kresse, G;Furthmuller, J
通讯作者：
Furthmuller, J
影响因子：
3.7
作者：
Eshet, Hagai;Khaliullin, Rustam Z.;Parrinello, Michele
通讯作者：
Parrinello, Michele
影响因子：
4.4
作者：
Hieu Chi Dam;Tien Lam Pham;Viet Cuong Nguyen
通讯作者：
Viet Cuong Nguyen
影响因子：
8.6
作者：
Isayev, Olexandr;Fourches, Denis;Curtarolo, Stefano
通讯作者：
Curtarolo, Stefano
影响因子：
8.6
作者：
Behler, Joerg;Parrinello, Michele
通讯作者：
Parrinello, Michele