Jul, 2018

基于图卷积神经网络的材料空间分层可视化

PDF
TL;DR结合高通量计算和机器学习开展的材料设计新范式的研究，开展了通过图卷积神经网络的不同层的表示学习在任意材料空间内分层可视化材料的组成和结构相似性的统一框架，为材料空间探索提供了新技术，该方法可以帮助过渡到自动化材料设计的数据中心探索。
high throughput computationmachine learningmaterials designgraph convolutional neural networksautomated materials design
发现论文，激发创造
  • 晶体图卷积神经网络用于材料性能的准确和可解释的预测

    本论文提出利用晶体图卷积神经网络 (CGCNN) 可直接从晶体原子之间的联系学习材料物性，有效提高了晶体材料设计的效率，并能够提取局部化学环境对全局物性的贡献，为晶体材料的设计提供了经验规则。

    Oct, 2017

  • 混合量子图神经网络用于分子属性预测

    利用数据驱动技术的材料设计过程中，我们开发了一种融合经典和量子计算的混合模型来预测钙钛矿材料的能量形成。该模型的性能与经典模型和其他机器学习算法相媲美，为探索量子特征编码和参数化量子电路在图神经网络等复杂机器学习算法中的巨大改进提供了一种新途径。

    May, 2024

  • 高效材料发现的改进晶体图卷积神经网络框架

    本文中提出了一种改进的晶体图卷积神经网络（iCGCNN）来学习晶体结构的材料属性，该方法不仅采用 Voronoi 剖分晶体结构，还考虑了邻近组分原子的 3 体相互作用和晶体图中原子间化学键的优化表示。研究表明，iCGCNN 方法可以用于通过快速准确地识别具有所需性质的晶体化合物来加速高通量新材料发现，从而显著提高预测准确性和成功率。

    Jun, 2019

  • 利用语言表示进行物料推荐、排序与探索

    通过使用来自材料科学特定语言模型的自然语言嵌入作为成分和结构特征的表示方法，我们介绍了一种材料发现框架，并将其应用于热电材料，展示了原型结构的多样化推荐和识别出了未充分研究的高性能材料空间，其中包括卤化物钙钛矿、德拉福石和尖晶石结构。

    May, 2023

  • 基于可微分图结构的晶体材料逆向设计模型

    为了适应深空环境的恶劣条件，拥有灵活的物理化学性质并随需改变的材料将在定义未来的太空探索中变得至关重要。本文提出了一种基于计算机图形表示的方法来设计具有所需材料属性的结构，该方法使用自动微分来调整晶格元素的几何结构和属性。

    Apr, 2023

  • 基于文献训练的神经网络的无机材料合成规划

    本文介绍一项基于语言模型的自动化方法，通过自然文本连接文献与合成洞见，提高材料设计和发现速度，并展示该方法在预测钙钛矿材料先驱体和筛选新化合物方面的潜力。

    Dec, 2018

  • 利用生成式知识提取、基于图的表示和多模态智能图推理加速科学发现

    使用生成人工智能（AI）将 1000 篇生物材料领域的科学论文转化为详细的本体知识图，揭示了其固有的无标度特性。通过基于组合排名节点相似性和介数中心性的不同概念之间的图遍历路径检测，我们揭示了深入洞察力，揭示了前所未有的跨学科关系，可用于回答查询，识别知识空缺，并提出前所未见的材料设计及其行为。

    Mar, 2024

  • 材料科学优化晶体学图形生成

    本研究提出了一种有效的工具，通过 GPU 优化，生成具有周期性结构的截断图和 k 近邻图，并提供了一个 Pytorch 兼容的框架，能够实时进行神经网络结构的培训。

    Jun, 2023

  • 同变图卷积神经网络用于各向同性均质各向异性微结构力学响应的表示

    本研究提供具有异性组分的材料的有效均质化模型的神经网络体系结构，通过等变和张量基础运算，满足等变性和材料对称性原则，展示了在不同纹理和相位的随机体积元数据集上，这些网络体系结构提供了显著的性能改进。

    Apr, 2024

  • 使用深度生成神经网络高通量发现新的立方晶体材料

    本研究用深度学习的生成对抗网络方法，提出了 CubicGAN 模型以大规模生成新的立方晶体结构，在 375,749 个三元晶体材料的训练数据下发现 506 种新材料，通过 DFT 验证后发现有远超同类材料的功能特性，这一方法将极大的拓展现有的材料库，实现新型功能材料的快速筛选。

    Feb, 2021