提出了 MatSci ML，这是一个用于建模具有周期晶体结构的固态材料的机器学习（MatSci ML）方法的新型基准。使用机器学习方法研究固态材料是一个新兴领域，由于使用不同种类的数据集来开发机器学习模型，导致了碎片化的情况，使得比较不同方法的性能和泛化能力变得困难，从而阻碍了该领域的研究进展。MatSci ML 基准建立在开源数据集的基础上，包括 OpenCatalyst、OQMD、NOMAD、Carolina 材料数据库和 Materials Project 等大规模数据集，为模型训练和评估提供了多样化的材料系统和属性数据，包括模拟能量、原子力、材料能隙，以及通过空间群对结晶对称性进行分类的数据。MatSci ML 中的属性多样性使得实施和评估固态材料的多任务学习算法成为可能，而数据集的多样性则促进了跨多个数据集开发新的更广义的算法和方法。在多数据集学习环境中，MatSci ML 使研究人员能够结合来自多个数据集的观测结果，进行共同预测共同属性，如能量和力。使用 MatSci ML，我们评估了不同的图神经网络和等变点云网络在涵盖单一任务、多任务和多数据学习场景的几个基准任务上的性能。我们的开源代码可在指定的 https URL 上找到。

Sep, 2023

该研究论文介绍了一种新的机器学习框架，用于从现有的材料数据中提取预测模型，方法是使用具有化学多样性的属性列表，并将数据集分成相似材料组，提高预测准确度，可用于预测晶态和非晶材料的多种属性。

Jun, 2016

该研究介绍了一种名为 GT4SD 的开源工具库，科学家、开发人员和研究人员可以使用这个工具库来训练和使用最先进的生成模型来加速物质设计相关的科学发现。

Jul, 2022

利用多目标黑盒优化的主动学习过程，在实时流数据和模块化多目标优化软件开发技术支持下，实现了自动化连续流化学实验室的自治操作，为电解质生产提供了理想的制造条件。

Apr, 2023

M2Hub 是一个用于推动材料发现中机器学习进步的工具包，其尤为关注材料发现中的虚拟筛选、反设计和分子模拟三个关键领域，以及提供了适用于材料结构的最先进的机器学习方法和数据集来进行基准测试。

Jun, 2023

本论文介绍了使用机器学习方法和密度泛函理论来发现和优化催化剂并提供一个开放资源数据集 OC20

Oct, 2020

本研究利用 LLaMA2-7B 模型，结合 13,878 件结构化材料知识数据，通过学习过程增强了 MatChat AI 模型，以预测无机材料合成路径。尽管 MatChat 还需要进一步完善以满足不同的材料设计需求，但本研究无疑突出了其出色的推理能力和在材料科学领域的创新潜力，同时以开源方式提供了 MatChat 的模型和应用框架，为将生成式人工智能与材料科学整合的协作创新奠定了坚实的基础。

Oct, 2023

本研究介绍了一个基于 DGL、RDKit 和 PyTorch 的开源包：DGL-LifeSci，为生命科学领域的深度学习提供了一个基于图的模型，在分子属性预测、反应预测和分子生成等任务中都有广泛应用，并且提供了命令行接口方便用户进行编程、深度学习和建模，同时 DGL-LifeSci 具有优化模块和预训练模型等特点。

Jun, 2021

新技术对于大规模采用风能和太阳能等可再生能源是必要的。发现适合的催化剂对于使能量储存更具成本效益和可扩展性至关重要。这项研究旨在评估使用更轻量级方法在这一任务中获得的性能和洞察力，以鼓励来自不同背景的个人的参与。通过实施稳健的设计模式，如几何和对称的信息传递，我们能够训练一个 GNN 模型，在仅使用一小部分可训练参数的情况下，达到了 0.0748 的平均绝对误差，与 SchNet 和 DimeNet++ 等已建立的模型架构相媲美。

Apr, 2024

本文介绍两个项目 —— 材料数据中心和科学数据及学习中心，解决机器学习在材料科学中的应用问题，通过对例子的分析说明如何实现数据与机器学习模型之间的链接，并通过网络和程序接口访问这些功能。

Apr, 2019