MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016933400
■00520240214101242
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380092876
■035    ▼a(MiAaPQ)AAI30528636
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aMagar,  Rishikesh.▼0(orcid)0000-0001-6216-0518
■24510▼aMachine  Learning  for  Material  Property  Prediction  and  Analysis▼h[electronic  resource]
■260    ▼a[S.l.]:▼bCarnegie  Mellon  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(153  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-02,  Section:  B.
■500    ▼aAdvisor:  Barati  Farimani,  Amir.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThe  discovery  of  novel  materials  can  significantly  impact  the  quality  of  human  life  on  the  planet  and  make  it  more  sustainable.  Furthermore,  novel  materials  can  play  a  crucial  role  in  technological  advancements  and  enable  innovations  in  industries  such  as  healthcare  and  energy.  However,  the  quest  for  new  material  discovery  involves  parsing  the  vast  chemical  space  of  materials.  Navigating  this  vast  chemical  landscape  to  identify  and  synthesize  materials  with  desirable  properties  is  a  big  challenge.  Considering  the  large  scale  of  chemical  space,  developing  advanced  computational  methods  that  can  access  this  space  effectively  is  very  important.  Computational  methods  that  can  accurately  predict  material  properties  can  especially  be  leveraged  for  new  material  development.  Accurate  predictions  can  lead  to  the  discovery  of  new  materials  with  desirable  properties  for  specific  applications  and  reduce  the  time  and  cost  associated  with  new  material  development.  This  dissertation  investigates  the  potential  of  leveraging  machine  learning  (ML)  models  as  a  more  efficient  computational  tool  for  material  property  prediction  and  discovery.Traditionally,  computational  methods  like  Density  Functional  Theory  (DFT)  simulations  have  been  used  for  high  throughput  screening  and  rapid  prediction  of  material  properties.  Advancements  in  computational  capabilities  have  enabled  the  large-scale  usage  of  DFT  simulations,  yet  parsing  the  entire  chemical  space  and  predicting  the  properties  for  all  the  possible  materials  is  practically  impossible  due  to  the  computational  demands  of  these  methods.  Data-driven  methods  such  as  Machine  Learning(ML)  can  learn  patterns  in  the  data  and  can  be  a  viable  alternative  for  DFT  simulations.  In  general,  ML  models  learn  the  material  representations  which  can  be  leveraged  to  predict  material  properties  at  a  fractional  computational  cost  compared  to  DFT.  Consequently,  these  models  can  be  used  as  a  screening  tool  to  identify  promising  novel  materials  in  the  enormous  chemical  space  which  can  then  be  further  validated  through  experiments  or  DFT  simulations.This  dissertation  explores  various  ML  paradigms  for  material  property  prediction,  encompassing  Graph  Neural  Networks,  Self-Supervised  Representation  Learning,  Pretraining  Strategies  for  Structure  Agnostic  Representation  Learning,  and  Large  Language  Models.  The  primary  aim  of  this  work  is  to  demonstrate  the  potential  of  ML  models  in  accurate  material  property  prediction  and,  as  a  result,  catalyze  novel  material  discovery  through  the  application  of  machine  learning.
■590    ▼aSchool  code:  0041.
■650  4▼aMechanical  engineering.
■650  4▼aMaterials  science.
■653    ▼aMachine  Learning
■653    ▼aMaterial  property  prediction
■653    ▼aSelf-supervised  learning
■653    ▼aDensity  Functional  Theory
■653    ▼aComputational  methods
■653    ▼aComputational  tool
■690    ▼a0800
■690    ▼a0794
■690    ▼a0548
■71020▼aCarnegie  Mellon  University▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-02B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933400▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books