Decoding physical mechanisms governing elastic moduli in inorganic materials through interpretable machine learning
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Interpretable ML with 34 key features predicts shear ( G ) and bulk ( K ) moduli ( R 2 = 0.892/0.949), reveals the physical origins, and uncovers synergistic and compensatory feature interactions for rational elastic property design of inorganic materials.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Decoding physical mechanisms governing elastic moduli in inorganic materials through interpretable machine learning
- Date Crossref
- 01/01/2026
- Éditeur
- Royal Society of Chemistry (RSC)
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Beijing University of Technology pays non établi dans la noticeUniversité ou école supérieure
-
School of Physics and Optoelectronic Engineering pays non établi dans la noticeUniversité ou école supérieure
Beijing University of Technology et School of Physics and Optoelectronic Engineering.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.