Resumen: Esta entrada tiene como propósito principal informar sobre diversas estrategias implementadas en la caracterización de materiales cristalinos para el desarrollo de modelos de aprendizaje de máquina que estimen la brecha energética entre bandas (mejor conocida como bandgap, por su nombre en inglés). En general, quienes han desarrollado estos modelos de aprendizaje de máquina tienenSigue leyendo «Inteligencia Artificial aplicada a Ciencia de Materiales. Parte 2: Los bandgaps»
Archivo de etiqueta: Materials Prediction
Modelling perovskite materials with ANNs beyond their composition: feature construction using their atomic arrangements.
Last week I showed you some results obtained with an Artificial Neural Network (ANN). The ANN classified the crystal compounds into perovskite or non-perovskite. The input data (features) fed to the ANN contained information about atomic radii, electronegativities, electronegativity differences and quotients of the atomic radii. All the features were constructed considering the number ofSigue leyendo «Modelling perovskite materials with ANNs beyond their composition: feature construction using their atomic arrangements.»
gomezperalta.mx 