Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2017 | OriginalPaper | Buchkapitel

1. Overview of Bayesian Optimization in Materials Science

verfasst von : Daniel Packwood

Erschienen in: Bayesian Optimization for Materials Science

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Like any other field of research, materials science involves a lot of trial and error: in the process of creating a new material or device, we will inevitably make several prototypes which fail to perform as hoped.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel Theory of Bayesian Optimization
Fußnoten
1
Of course, prototyping and trial-and-error are necessary for developing scientific understanding.
 
Literatur
1.
2.
Hinuma Y, et al. Discovery of earth-abundant nitride semiconductors by computational screening and high-pressure synthesis. Nat Commun. 2016;7:11962.CrossRef
3.
Seko A, et al. Prediction of low-thermal-conductivity compounds with first-principles anharmonic lattice-dynamics calculations and Bayesian optimization. Phys Rev Lett. 2015;115:205901.CrossRef
4.
Seko A, et al. Machine learning with systematic density-functional theory calculations: application to melting temperatures of single- and binary-component solids. Phys Rev B. 2014;89:054303.CrossRef
5.
Balachandran PV, et al. Adaptive strategies for materials design using uncertainties. Sci Rep. 2016;6:19660.CrossRef
6.
Kiyohara S, et al. Acceleration of stable interface structure searching using a Kriging approach. Jpn J Appl Phys. 2016;55:045502.CrossRef
7.
Ju S, et al. Designing nanostructures for photon transport via Bayesian optimization. Phys Rev X. 2017;7:021024.
8.
Ueno T, et al. COMBO: An efficient Bayesian optimization library for materials science. Mater Discov. 2016;4:18.CrossRef
9.
Rupp M, et al. Fast and accurate modeling of molecular atomization energies with machine learning. Phys Rev Lett. 2012;108:058301.CrossRef
10.
Hansen K, et al. Assessment and validation of machine learning methods for predicting molecular atomization energies. J Chem Theory Comput. 2013;9:3404.CrossRef
11.
Metadaten
Titel
Overview of Bayesian Optimization in Materials Science
verfasst von
Daniel Packwood
Copyright-Jahr
2017
Verlag
Springer Singapore
Buch
Bayesian Optimization for Materials Science

Print ISBN: 978-981-10-6780-8

Electronic ISBN: 978-981-10-6781-5

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-981-10-6781-5_1