本文介绍了一种基于材料稳定性物理感应偏差的晶体扩散变分自编码器，通过学习稳定材料的数据分布，生成具有物理约束的材料周期结构，其在重构输入结构，生成有效、多样、真实材料以及生成优化特定特性的材料方面胜过现有方法，并提供了标准数据集和评估指标。

Oct, 2021

开发出一个名为TextEdge的基准数据集，包含了关于晶体结构及其性质的文本描述，并提出了一种名为LLM-Prop的方法，利用大型语言模型（LLMs）的通用学习能力，从晶体的文本描述中预测其物理和电子性质，并在预测带隙、分类带隙是否为直接或间接和预测晶胞体积方面的性能优于现有最先进的基于GNN的晶体性质预测模型。

Oct, 2023

本文提出了一种基于多模态Transformer的方法，通过整合来自晶体材料和能级的异构信息，建模晶体材料中原子与能级之间的复杂关系，用于预测态密度。在多种真实场景下进行的广泛实验表明DOSTransformer具有卓越的优势。

Oct, 2023

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

从晶体结构预测材料的物理性质是材料科学中的一个基本问题。本文介绍了一种无限连接的注意力网络，可以在一个深度学习的特征空间中执行无限的原子间势能求和，并提出了一种名为Crystalformer的基于Transformer的编码器架构，它只需要原有Transformer架构的29.4%参数，但在不同的性质回归任务中都表现出比现有方法更好的结果。

Mar, 2024

基于晶格方式建立晶体原子的晶格表示来有效地捕捉晶体的完整几何信息并处理手性晶体是一个挑战，本文提出了ComFormer，一个专门针对晶体材料设计的SE(3)变压器，其包括iComFormer和eComFormer两个变体，并在三个广泛使用的晶体基准上展示出了ComFormer变体的最新预测准确性。

Mar, 2024

CrystalFormer是一种基于Transformer的自回归模型，专门用于由空间群控制的晶体材料生成，其利用空间群对晶体空间进行了显著简化，通过直接预测单元胞中对称不等价原子的种类和位置来生成晶体，实验结果显示CrystalFormer在生成晶体材料的有效性、新颖性和稳定性方面与最先进的性能相匹配，并且可以从数据中准确地提取出合理的固态化学信息用于生成建模，它的简单性、通用性和灵活性使其成为整个晶体材料空间的基础模型，开启了材料建模和发现的新时代。

Mar, 2024

通过训练生成模型来加快科学发现并推动各个科学领域的重大进展，尤其是发现具备良好性能的新型无机材料是一项关键挑战，不同于文本或图像数据，材料，特别是晶体结构，由多种类型的变量组成，包括晶格矢量、原子位置和原子种类，本研究探索一种基于Transformer架构的新型扩散模型，用于生成具有所需性质的晶体结构，并证明我们的模型在多样性方面优于先前方法，而我们的实证结果表明，最佳条件方法因数据集而异。

Jun, 2024

本研究解决了化学无序材料的原子尺度性质计算中配置空间探索效率低的问题。我们提出了一种新颖的生成性机器学习方法，通过反向变分自编码器生成代表性配置集合，以进行高效的性质评估和原子尺度属性的准确估算。我们的研究展示了该方法在(U, Pu)O2混合氧化物燃料中计算点缺陷形成能和浓度的应用，具有广泛的潜在影响，可用于探索其他材料的原子尺度扩散系数等性质。

Aug, 2024

本研究针对能量材料领域的数据稀缺问题，通过编集多模态数据（实验和计算结果）来提升机器学习工具的准确性和适用性。研究发现，多任务神经网络能够从多模态数据中学习，并在数据稀缺的情况下显著优于专为特定属性训练的单任务模型，具有广泛的应用潜力。

Aug, 2024