Jun, 2016

一般性用途的无机材料属性预测机器学习框架

PDF
TL;DR该研究论文介绍了一种新的机器学习框架，用于从现有的材料数据中提取预测模型，方法是使用具有化学多样性的属性列表，并将数据集分成相似材料组，提高预测准确度，可用于预测晶态和非晶材料的多种属性。
machine learningmaterials researchpredictive modelschemically diverse listpredictive accuracy
发现论文，激发创造
  • 通过学习学习推动材料性能的外推预测

    利用基于注意力机制的神经网络和元学习算法，研究在材料科学领域中使用外推模型，以加速新材料的发现。

    Mar, 2024

  • 高效材料科学模拟的代理模型：基于机器学习预测微观组织性质

    通过研究两个不同数据集中的六种机器学习技术在材料科学领域的应用，本文分析了这些模型的准确性和稳健性，并阐明了它们性能差异的原因。研究还考察了包含领域知识的影响以及基于训练数据可用性和质量的一般建议。

    Sep, 2023

  • 可解释的集成学习在材料性质预测中的应用：以碳为例

    我们提出了一种基于集成学习的方法，用于预测晶体材料的形成能量和弹性常数，通过分子动力学计算的物性作为输入，集成学习结果比传统的原子势能方法更准确。

    Jul, 2023

  • 机器学习统一材料和分子建模

    本研究基于局部化学环境和贝叶斯统计学习的机器学习模型，提供了一个统一的框架，可以预测原子尺度的稳定性和不同类别的分子的化学精度，可以区分活性和非活性的蛋白质配体，这种方法可以对材料和分子的势能面提供新的洞察。

    Jun, 2017

  • 分子性质的机器学习：局部性和主动学习

    本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法，可以在较小的训练集上提供高精度预测，并显著减少异常值误差，从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。

    Sep, 2017

  • 利用机器学习从材料属性估计电子能带带隙能量

    利用机器学习技术估计电子带隙能量并基于可量化的实验性质预测材料的带隙类别。通过将数据集分成多个聚类群组，提出了一种改进简单回归分类模型性能的方案，从而在材料科学中比较基于机器学习的模型。该方法在新的评估指标下显示出更好的性能，无需 DFT 计算或材料结构的先验知识。

    Mar, 2024

  • 一种全面而多功能的多模态深度学习方法，用于预测先进材料的多种性质

    通过融合物理属性和化学数据，我们提出了一个多模态深度学习框架，用于预测一种 10 维丙烯酸聚合物复合材料的物理特性。该框架可以处理 18 维的复杂性，成功预测了 114,210 种成分条件下的 913,680 个物性数据点。我们提出了一个分析高维信息空间以进行反向材料设计的框架，并展示了足够的数据可实现的材料类型和规模的灵活性和适应性。这项研究推动了未来对不同材料和更复杂模型的研究，并将我们更接近预测所有材料的所有属性的终极目标。

    Mar, 2023

  • 水晶材料属性预测的晶体特定预训练框架

    提出了一种针对晶体结构学习具有自我监督的预训练框架，通过互斥掩码策略和周期不变多图模块来解决晶体结构学习中标签不足和周期不变问题，并在 8 个不同的任务上进行了测试，结果表明该框架具有良好的预测性能。

    Jun, 2023

  • 机器学习与材料信息学：最近的应用和前景

    介绍了近十年来成功使用数据驱动的材料信息学策略，并指出了该领域面临的挑战和应该在不久的将来克服的挑战。

    Jul, 2017

  • 加速无机表面的机器学习预测与原子间势

    固态材料的表面性质对其功能起着重要作用，表面性质是由材料合成或操作条件决定的，计算表面科学方法和机器学习算法在研究复杂的纳米尺度的无机表面具有很大的潜力。

    Dec, 2023