使用机器学习进行材料或晶体属性预测在最近几年变得流行，它提供了一种计算效率高并替代了传统模拟方法的替代方案。本研究中，我们采用点对点距离分布（PDD）作为我们学习算法的表示方法，并通过一种空间编码方法将组成信息引入，从而开发了一个变压器模型，该模型在 Materials Project 和 Jarvis-DFT 数据库的晶体上经过测试，在训练和预测时间上表现出与最先进方法相当的准确度，并且速度更快数倍。

Jan, 2024

本文提出了一种基于持久性图（PD）的拓扑方法，可提取各种无定形固体的分层结构。该方法可以应用于多种无序系统中，包括实例中的硅玻璃，Lennard-Jones 系统和 Cu-Zr 金属玻璃，通过 PD 识别出层次化的原子配置结构，比传统方法提供了更深入的几何信息。

Jan, 2015

本论文开发了新的地理风格地图，其中包含所有已知晶体中参数化的 2D 晶格。通过刚性晶体结构的驱动，晶格被考虑为刚性运动和均匀缩放。最终的 2D 晶格空间是一个具有标识边的正方形或没有一个点的球体。新的连续地图展示了所有的布拉维格点群作为低维子空间，并可视化了上万个实际晶体结构。这些研究成果为连续和基于不变量的晶体学的发展提供了动力。

Sep, 2021

我们提出一种基于几何等变的 GNN 的概率扩散模型，可以同时考虑原子位置和晶格，以发现具有特定化学性质的晶体结构，并通过新的生成度量方法评估模型的有效性。

Dec, 2023

现有的晶体材料表示方法只考虑晶体分子的局部信息，通过考虑二面角进一步考虑全局信息后，我们首先提出了周期完备表示和计算算法，进而提出了一种特别设计的消息传递机制的网络 PerCNet 进行晶体材料性质预测。在实验证明了周期方案和完备性对晶体表示学习的重要性。

Dec, 2023

基于多参数持久同调的分子指纹生成方法揭示了分子几何结构内部的潜在结构和关系，并检测出在多个尺度和多个参数（如原子质量、偏电荷和化学键类型）上具有持续性的拓扑特征，该方法还可以通过加入其他参数（如电离能、电子亲和力、手性和轨道杂化）进一步增强。与传统的图神经网络相比，多参数持久同调具有提供更全面和可解释的分子拓扑表征的优势。我们为多参数持久同调建立了理论的稳定性保证，并在脂溶性、FreeSolv 和 ESOL 数据集上进行了大量实验证明了其在预测分子性质方面的有效性。

Nov, 2023

本研究回顾了一些最近发表的表示原子邻域环境的方法，并分析了它们在忠实度和适用于拟合势能面方面的相对优点。我们展示了使用具有增加的角波数的有限基函数集来扩展原子邻域密度函数的通用方法的具体案例。我们还提出了一种全新的方法，称为光滑重叠原子位置（SOAP），直接定义了任意两个邻域环境之间的相似性。通过拟合小硅集群和大块晶体的势能面的模型，我们测试了各种表示的性能。

Sep, 2012

提出了第一个连续和完整的点云零标签的不变量，该不变量可以在任何欧几里得空间中计算，并且具有完整的等变描述符，可以可靠地比较含有噪声和运动的数据中的刚性点云。

Mar, 2023

通过模型化特征提取器描述关键点周围的邻域，使用有限展开来估计空间变化的方向，利用谐波函数来确定关键点位置并描述邻域的物体形状，这对传统纹理特征是一种新的补充和附加，具有显著的验证和识别能力。

Nov, 2023

本文介绍了一种自动选择指纹的协议，以便构建既能够在精度和计算效率之间实现最佳平衡，又能够加速高斯近似势的评估的神经网络势。其中展示了应用于水和 Al-Mg-Si 合金的神经网络势构建，并使用高斯过程回归预测小有机分子的形成能。

Apr, 2018