כתבה
arXiv cs.LG ·
הערכת יכולת הסינתזה של מבני גבישים: למידת מאפיינים מודעת-מבנה וקביעת תוחלת
Synthesizability Prediction of Crystalline Structures with Structure-Aware Feature Learning and Uncertainty Quantification
מאמר חדש עוסק בפיתוח כלי לחיזוי יכולת הסינתזה של מבני גבישים. הכלי, שנקרא SyntheFormer, משתמש בלמידת מכונה ובקביעת תוחלת כדי לחזות את הסיכויים להסינתזה של מבני גבישים. המאמר מציג תוצאות טובות של הכלי בחיזוי יכולת הסינתזה של מבני גבישים.
תקציר מקורי באנגליתarXiv:2510.19251v2 Announce Type: replace-cross Abstract: Predicting which hypothetical inorganic crystals can be experimentally realized remains a central challenge in accelerating materials discovery. SyntheFormer is a positive-unlabeled framework that learns synthesizability directly from crystal structure, combining Fourier-transformed crystal properties (FTCP) representation with structure-aware feature extraction, Random-Forest feature selection, and a compact deep MLP classifier. The model is trained on historical data from 2011 through 2018 and evaluated prospectively on future years from 2019 to 2025, where the positive class constitutes only 1.02 percent of samples. Under this temporally separated evaluation, SyntheFormer achieves a test AUC of 0.735, AUPRC of 0.099 and 97.6 perc
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית