E. S. Fedorov Promoting the Russian-German Scientific Interrelationship

Paufler, P.; Филатов, С. К.

doi:10.3390/min10020181

Cited by 7 publications

(2 citation statements)

References 30 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…According to the degree of geometric form symmetry, the crystals can be divided into different crystal systems and space groups [1,2]. Determining the symmetry information, particularly the space group, provides wide applications for crystal material property prediction [3] and crystal structure prediction [4,5].…”

Section: Introductionmentioning

confidence: 99%

Composition based crystal materials symmetry prediction using machine learning with enhanced descriptors

Dong

Yang

et al. 2021

Preprint

View full text Add to dashboard Cite

Geometric information such as the space groups and crystal systems plays an important role in the properties of crystal materials. Prediction of crystal system and space group thus has wide applications in crystal material property estimation and structure prediction. Previous works on experimental X-ray diffraction (XRD) and density functional theory (DFT) based structure determination methods achieved outstanding performance, but they are not applicable for large-scale screening of materials compositions. There are also machine learning models using Magpie descriptors for composition based material space group determination, but their prediction accuracy only ranges between 0.638 and 0.907 in different kinds of crystals. Herein, we report an improved machine learning model for predicting the crystal system and space group of materials using only the formula information. Benchmark study on a dataset downloaded from Materials Project Database shows that our random forest models based on our new descriptor set, achieve significant performance improvements compared with previous work with accuracy scores ranging between 0.712 and 0.961 in terms of space group classification. Our model also shows large performance improvement for crystal system prediction. Trained models and source code are freely available at https://github.com/Yuxinya/ SG_predict

show abstract

Section: Introductionmentioning

confidence: 99%

Composition based crystal materials symmetry prediction using machine learning with enhanced descriptors

Dong

Yang

et al. 2021

Preprint

View full text Add to dashboard Cite

show abstract

“…: W pracy tej Fedorow jako pierwszy wyprowadził 230 grup przestrzennych (krystalograficznych) symetrii, służących obecnie jako matematyczna podstawa analizy strukturalnej; patrz także Bibliografia do Komentarza tłumacza:Scholz 1989, ss. 114-148;Paufler, Filatov 2020. 14 Przyp. tłum.…”

unclassified

O symetrii zjawisk fizycznych, symetrii pola elektrycznego i pola magnetycznego

Curie,

Ziółkowski

2023

Stud. Hist. Sci.

View full text Add to dashboard Cite

W pracy klasyczne pojęcie symetrii ograniczone do obiektów geometrycznych (figur, brył), znajdujące swoje źródło w antycznej Grecji, zostało rozszerzone tak, by możliwe było badanie symetrii innych rodzajów obiektów. Poprzez wprowadzenie pojęcia granicznych grup punktowych i elementów kinematycznych charakteryzujących obiekt, którego symetria jest badana, określono, jakiego typu symetrie wykazują pole elektryczne i pole magnetyczne. Ustalono, że aby możliwe było zachodzenie jakiegoś zjawiska, to charakterystyczna symetria ośrodka musi być zgodna z charakterystyczną symetrią występującego w nim zjawiska. Stwierdzono, także, że elementy symetrii przyczyn muszą znaleźć odzwierciedlenie w symetrii wywołanych skutków.

show abstract