Прогнозирование пространственной группы перовскитоподобных соединений состава AII2BIIIB′VO6

?

Прогнозирование пространственной группы перовскитоподобных соединений состава AII2BIIIB′VO6

Перспективные материалы. 2021. № 9. С. 5–23.

Киселева Н. Н., Дударев В.А., Столяренко А. В., Докукин А. А., Сенько О. В., Рязанов В. В., Витушко М. А., Переверзев-Орлов В. С., Ващенко Е. А.

Проведено прогнозирование новых соединений состава AII
2BIIIB′VO6, предсказан тип
искажения их перовскитоподобной ячейки, пространственная группа и проведена оценка
параметров кристаллической решетки прогнозированных соединений. При прогнозировании
использовали только значения свойств химических элементов. Программы, основанные
на алгоритмах обучения различных вариантов нейронных сетей, линейной машины,
формировании логических закономерностей, k-ближайших соседей, методе опорных
векторов, показали лучшие результаты при прогнозировании типа искажения
перовскитоподобной ячейки. При оценке параметров решетки наиболее точными были
программы, основанные на алгоритмах ортогонального согласованного преследования
и регрессии автоматического определения релевантности. Точность прогнозов типа
искажения перовскитоподобной ячейки была не ниже 74 %. Точность оценки линейных
параметров решетки была в пределах ± 0,0120 – 0,8264 Å, а точность для углов β при
моноклинном искажении решетки — ± 0,08 – 0,74 град. Расчеты проведены с применением
систем, основанных на методах машинного обучения. Для оценки точности прогнозирования
использовали экзаменационное распознавание в режиме скользящего контроля для
соединений, включенных в выборку для машинного обучения. Прогнозируемые соединения
перспективны для поиска новых магнитных, термоэлектрических и диэлектрических
материалов.

Научное направление: Компьютерные науки Химия

Язык: русский

Полный текст

Текст на другом сайте

Risks and the image of the future in the study of AI technologies prospects

Снегирев А. Ю., Сычев С. В., Futures 2026 Vol. 183 P. 1–22

Добавлено: 23 сентября 2026 г.

Choosing Between AI Responses: How Valence, Arousal, and Dominance Shape User Preference

Паршаков П. А., Паклина С. Н., International Journal of Human-Computer Interaction 2026 P. 1–17

Добавлено: 23 сентября 2026 г.

A Two-Stage Deep Reinforcement Learning Framework for Radio Resource Management and Network Slicing in 5G Heterogeneous Networks

Андраби У. М., Wadood E., Ojha S. K. и др., IEEE Access 2026 Vol. 14 P. 103358–103375

Добавлено: 23 сентября 2026 г.

LLM-assisted writing and citation advantage: evidence from scientific publications before and after ChatGPT release

Паклина С. Н., Паршаков П. А., Elena Rapoport, Scientometrics 2026 P. 1–26

Добавлено: 23 сентября 2026 г.

Label-Free Quantification in the Crux Toolkit

Кертес-Фаркаш А., Аквей Ф. Л., Journal of Proteome Research 2026 Vol. 25 P. 3764–3768

Добавлено: 23 сентября 2026 г.

Exact screening constraints for theories of inhomogeneous electrolytes: Generalized Stillinger–Lovett relations and a nonlinear Ward hierarchy

Будков Ю. А., Journal of Chemical Physics 2026 Vol. 165 No. 12 Article 124105

Добавлено: 22 сентября 2026 г.

Risk Assessment Models for Heated Tobacco Products

Maddalena L., Yildiz B., Del Vecchio Blanco F. и др., Risk Analysis 2026 Vol. 46 No. 4 P. 1–26

Добавлено: 22 сентября 2026 г.

Методические подходы к выбору оптимальных моделей прогнозирования динамики деловой активности на данных конъюнктурных опросов

Лола И. С., Асосков Д. Г., Урсуленко В. С., ИСИЭЗ НИУ ВШЭ, 2026.

Настоящая работа посвящена сравнению эффективности классических эконометрических моделей и современных алгоритмов машинного и глубокого обучения для кратко- и среднесрочного прогнозирования качественных данных бизнес-опросов деловой активности обрабатывающих производств России. На основе данных за период с января 2010 г. по март 2026 г. было комплексно протестировано 10 различных подходов, включая классические модели ARIMA, VAR, ETS, алгоритм XGBoost ...