光伏引导结构 - 属性探索中的可解释深度学习
研究表明,基于分子结构的图神经网络架构是目前预测分子性质最好的机器学习方法之一,并且可以监督大规模重复评估化合物库。使用新的有机光伏应用候选分子数据库进行的实验证明,即使不要求最优的立体结构输入,利用信息传递神经网络可以获得与现有基准数据集上最先进方法相媲美的准确性。
Jul, 2018
利用元表面技术对薄膜光学进行光学特性的灵活操控,本研究提出了一种替代优化框架来开发适用于天文高对比度成像的两种旋涡相位面具,其中的几何特征通过计算智能技术进行优化。为解决传统方法的不足,引入一种数据高效的进化优化设置,利用深度神经网络作为高度精确和高效的替代模型,使用健壮的粒子群进化优化方案操作光子器件的几何参数进行优化,通过该方法,优化了两种设计方案的性能,有效地将所需的模拟次数与传统优化技术相比减少了 75%。
Sep, 2023
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
本研究提出了一种有利于评估不同卷积神经网络体系结构的系统性语言,该语言能够在训练前进行比较,本研究使用该语言在两个具体的基于计算机视觉的物理问题上,解决了事件顶点查找和强子多重性分类问题,同时提取了优化网络架构中的几个架构属性,使用机器学习模型对其进行了预测。
Jan, 2020
本研究基于 Topology Optimization 方法和深度学习理论,提出了一种新型基于卷积神经网络的重参数化优化策略 SolarNet,通过优化卷积神经网络的参数来设计更好的太阳能电池电极。研究表明,这一策略可以用于不同形状的太阳能电池,并改善了传统 TO 方法的效果。
Apr, 2021
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。
Jul, 2018
我们将神经科学构建的结构组件系统地纳入卷积神经网络,以解释 V1 神经活动和调谐特性,结果证实这些神经科学构建的结构组件可以使 CNN 更好地模拟 V1 神经活动和调谐特性。
May, 2023
提出了使用序贯模型优化(SMBO)策略的 CNN 网络结构学习方法,与现有的强化学习和进化算法相比更加高效,并在 CIFAR-10 和 ImageNet 数据集上取得了新的最佳分类精度。
Dec, 2017
本文采用图卷积神经网络(GCNN)预测聚合物的介电常数和能带隙,GCNN 可以达到与 DFT 结果非常接近的精度,并显示 GCNN 优于其他机器学习算法。该方法不再需要繁琐的手工描述符,仅依靠聚合物的形态数据即可实现准确快速的预测,可用于快速、精准地逆向设计聚合物。
Nov, 2018
本文提出了一种基于机器学习的全局优化框架,以设计光子器件。该方法使用对抗自动编码器和元启发式优化框架,通过物理传递的压缩设计空间工程,提高了元器件配置的优化搜索效率,并可以揭示器件的光学性能的物理基础。
Jul, 2020