最近看到有趣的paper
然後使用的方式是曾經玩過的Word2Vec
只是我自己安裝一些depndencies 一直有問題
剛剛突然就解決了 啊啊
總之我就是一直把沒有的東西裝回來
出現error code就跟Gemini Pro討論看要怎麼解決
之後想要拿來預測一些特定的材料組合
不用進實驗室就可以做一點東西了
此Paper使用百萬多份的文獻將不同材料「名稱」與「自旋軌道耦合效率」(spin-orbit coupling efficiency, SOT efficiency) 藉由word2vec的方式做連結：
特定強自旋耦合材料(例如：鉑 Pt)可以定義出一個詞向量
再定義一個特殊的相似度分數 Γ (Gamma) 預測某個材料 A 的SOT效率，這個分數 Γ 是由以下三個向量的相似度相乘得出的：
- 材料 A 的向量
- 現象 "spin-orbit torque" 的向量
- 一個常用來搭配的鐵磁層 "CoFeB" 的向量
這個 Γ 值越高，代表在科學文獻的語境中，材料 A 與 SOT 現象的關聯性越強。論文中展示了這個完全由文字計算出的 Γ 值，其趨勢與實驗測量的物理量（如交換耦合能、自旋霍爾電導率）相當地吻合。
總結來說： Word Embedding 之所以能預測 SOT 效率，是因為材料的物理性質（如晶體結構、電子能帶、對稱性）決定了它在科學文獻中會如何被描述、與哪些現象和應用關聯在一起。模型透過學習這些海量的上下文關聯，建立了一個能反映真實物理規律的向量空間，從而實現了從「文本關聯性」到「物理性質」的預測。
Sayed, S., Kleidermacher, H.C., Hashemi-Asasi, G. et al. An unsupervised machine learning based approach to identify efficient spin-orbit torque materials. npj Comput Mater 11, 167 (2025).