机器学习与材料信息学：最近的应用和前景
研究论文介绍了材料信息学作为一种第四范式的材料科学研究方法，并通过应用多种神经网络拓扑结构、逻辑公理和推理信息科学，发展出了面向半导体工业的新型有机半导体发现的数据驱动程序，并为材料科学界提供了知识提取。
May, 2023
人工智能及机器学习等工具在高效的开发、设计和发现聚合物中发挥作用，数据驱动策略正在探索化学和物理多样性，文章回顾了新兴聚合物信息学生态系统，并讨论了即将出现的挑战和机遇。
Nov, 2020
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。
Jun, 2016
揭示了将数据驱动的方法论融入到岩土工程中所面临的挑战和机遇，从材料信息学的成功中汲取灵感。强调土壤复杂性、异质性和缺乏全面数据的细节，讨论强调了社区驱动的数据库倡议和开放科学运动的迫切需求。通过利用深度学习的变革力量，特别是从高维数据中提取特征和迁移学习的潜力，我们预见到岩土工程领域向更具协作性和创新性的范式转变。本文以一种具有前瞻性的立场总结，强调了像大型语言模型这样的先进计算工具在重塑岩土工程信息学方面带来的革命潜力。
Dec, 2023
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
通过机器学习和 AI 技术，提出了一个支持领域和流程知识管理，结合人工智能协作的工作台框架，以减少时间和机会成本的目的，实现化学空间探索的新型功能材料的发现。
Nov, 2022
近年来，加速材料创新引起了学术界和工业界的广泛关注。为了为新型先进材料的开发增添价值，必须考虑制造过程，并将材料设计方法与下游工艺设计相结合。本研究提出了一种整体优化方法，涵盖了整个材料的过程 - 结构 - 性能链。采用机器学习技术解决了两个关键的识别问题，即材料设计问题和工艺设计问题。我们应用强化学习与多任务学习的优化方法，在金属成型过程中制造具有所需属性的晶体纹理，展示了该方法的功能。
Dec, 2023
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