Jul, 2018

Atom2Vec: 学习化学元素以用于材料发现

PDF
TL;DR本文介绍了人工智能领域重大的进展，特别是机器学习和深度学习技术在各种领域的应用，以及 Atom2Vec 无监督学习原子基本性质的能力，包括将学习到的性质表示为高维向量，用于训练神经网络和机器学习模型，以预测材料的物性。
artificial intelligencemachine learningdeep learningatom2vecmaterial properties
发现论文，激发创造
  • 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

  • 化合物空间分子电子性质的机器学习

    结合现代科学计算和电子结构理论，基于深度多任务人工神经网络的机器学习模型能够对上千个有机分子的多个电子基态和激发态性质进行预测，从而实现对合成可及的虚拟化合物库的高通量筛选，成本极低且准确度与现代量子化学方法相当甚至更优。

    May, 2013

  • 结构与属性：化学元素嵌入和深度学习方法用于准确预测化学性质

    利用深度学习技术构建的新型机器学习模型，对多种输入数据进行分类任务，包括有机和无机化合物，并在 Matbench 和 Moleculenet 基准数据集上进行开发和测试，揭示了化合物的底层模式。该模型在分子和材料数据集上表现出很高的预测能力，并在 Tox21 数据集上实现了 96% 的平均准确率，比之前最好结果提高了 10%。

    Sep, 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

  • 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

  • 基于代理的从科学文献中学习材料数据集

    通过使用大型语言模型（LLMs）创建化学家 AI 代理程序，本研究克服了通过自动创建从自然语言文本中提取结构化数据集所面临的质量和一致性问题、可扩展性限制、以及人为错误和偏见的风险，进而简化了各种材料发现应用的机器学习数据集的编制，以及对自然语言处理工具的易用性提升。

    Dec, 2023

  • 材料专家 —— 材料发现的人工智能

    通过机器学习将操作性直觉转化为可量化描述符，以及通过结构信息指示的容限因子，研究和发现拓扑半金属等材料。

    Dec, 2023

  • 神经网络原子间势的综合预训练

    基于机器学习的原子间势函数已经在原子级材料建模领域产生了巨大的影响，但是这些势函数的质量和数量对应的量子力学参考数据至关重要，因此开发数据集和训练流程成为一个日益重要的挑战。我们在这篇论文中展示了利用合成的原子级数据作为神经网络原子间势函数的预训练任务是有益的。经过大规模的合成数据集的预训练后，这些模型可以在更小的量子力学数据集上进行微调，提高计算实践中的数值精度和稳定性。我们通过一系列与碳相关的等变图神经网络势函数进行可行性验证，并进行了初步实验来测试该方法的局限性。

    Jul, 2023

  • 计算化学中的深度学习

    本文综述了深度神经网络在计算化学等领域中的广泛应用和优越表现，强调它作为一种有价值的机器学习工具在未来将发挥重要作用。

    Jan, 2017

  • 推动人工智能和人类共同创造，加速材料发现

    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