利用堆叠机器学习方法对超导材料的复杂特性进行训练，以准确预测临界温度。与先前的研究相比，该模型表现出有希望的性能，RMSE 为 9.68，R2 得分为 0.922。本研究的结果可为堆叠集成方法与超参数优化的高效实现提供新的见解。

Aug, 2023

通过机器学习方法进行端到端基于结构的方法加速预测材料的导热性的研究，从而更有效地扩大已有数据集的规模。我们评估了目前最先进的机器学习模型在扩展数据集上对导热性预测的性能，并观察到所有这些模型都存在过拟合的问题。为了解决这个问题，我们引入了一种新颖的基于图的神经网络模型，它在所有评估的数据集上表现出更一致和规范化的性能。然而，测试数据集上达到的最佳平均绝对百分比误差仍然处于 50-60% 的范围内。这表明，虽然这些模型对于加速材料筛选是有价值的，但它们目前的准确性仍然有限。

Nov, 2023

利用包含材料的 S2S 数据集，该数据集整合了晶体结构和超导临界温度数据，我们提出了一个新颖的基于注意力机制的神经网络 S2SNet 来预测超导性，该模型在材料的预处理方面首次考虑晶体结构信息，具有 92％的测试精度和 0.92 的 AUC 评分。

Jun, 2023

整合深度学习与寻找新的电声子超导体的研究代表了一个蓬勃发展的领域，其中主要挑战在于计算电声子谱函数 α²F (ω)，超导理论 Midgal-Eliashberg 的主要组成部分。为了克服这一挑战，我们采用两步法，首先计算 818 种动态稳定材料的 α²F (ω)，然后使用一种非常规的训练策略训练一个深度学习模型 BETE-NET 来预测 α²F (ω)，并通过增加模型的归一化改进预测。此外，我们还将声子密度的领域知识结合到模型的节点属性中，提高预测精度。该方法的创新降低了临界温度 $T_c$ 的平均绝对误差（MAE）至 2.1K，对高温超导体材料的高通量筛选展示了实际应用。BETE-NET 在加速高温超导体的搜索同时为材料发现中应用机器学习树立了先例，特别是在数据有限的情况下。

Jan, 2024

本文针对数据驱动的材料科学中出现的问题，提出了基于 Grobid-superconductors 的自动提取超导材料及其性能的方案，并使用该方案建立了包含 40324 材料和性能记录的数据库 SuperCon2，其中材料信息包括名称、化学式、材料类别，以及形状、掺杂、取代元素和衬底等相关属性；性能信息包括临界温度 Tc 和测温方法等内容。

Oct, 2022

我们提出了一种基于梯度优化的材料设计方法，通过优化成分克服了传统方法的局限性，优化输入以使模型的输出与目标属性紧密对齐，从而便于发现未列出的材料和精确属性确定，应用于探索高临界温度超导体时，我们确定了超越现有数据库的潜在成分，并通过条件优化发现了新的氢超导体，该方法具有多功能性，通过实现高效、广泛的搜索和对新约束的适应性，显著推进了材料设计。

Mar, 2024

本文利用数学建模和人工神经网络预测炉渣电导率，得到最佳的人工神经网络为具有 100 个神经元的隐藏层和 6 个预测变量以及电导率作为预测变量，同时进行了敏感性分析来确立每个预测变量与预测变量的关系。

May, 2023

使用神经网络机器学习技术，在辅助场配置上训练三维卷积网络，成功预测了半填充下哈伯模型的磁相图，并利用迁移学习方法预测了磁相的不稳定性扩展到了至少 5% 的掺杂度，显示了在相关量子多体系统中运用机器学习的广阔前景。

Sep, 2016

本研究介绍了一种基于 Transformer 的适应性框架 CrystalBERT，该框架整合了空间群、元素和晶胞信息，能够准确预测各种物理重要性质，包括拓扑性质和超导过渡温度等，同时提供具有洞察力的对目标物性影响最显著的特征的物理解释。通过结合各种特征，模型在拓扑分类中实现了 91% 的高准确率，超过以往研究，并识别了先前被错误分类的拓扑材料，进一步证明了我们模型的有效性。

May, 2024

借助高通量实验技术和机器学习的结合，提出了一种利用吸收光谱进行电导率测量的机器学习方法，实现了对材料电导率的加速测量，极大提高了测量效率并获得了有价值的洞察力。

Aug, 2023