本研究提出了一种新的基于机器学习的数值模拟工作流，通过深度神经网络构建局部态密度来计算一系列相关量，包括可用作原子的Born-Oppenheimer势能面的总自由能，从而实现了在计算速度和规模上远超传统方法的多尺度材料建模。

Oct, 2020

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

该研究使用机器学习潜力提供的Born-Oppenheimer势能表面来预测锡硒化物的粘聚性和热导率，其复杂的功能形式依赖于自动微分，并且使用了一种统一的自动微分方法来获得自动微分梯度，包括力，应力和热通量。

May, 2023

使用机器学习插值位能函数和Markov-chain Monte Carlo采样方法，加快了多组分材料表面相图预测中的能量和统计抽样方法，可模拟复杂的材料表面并发现以前未报告的表面终止。

May, 2023

通过基于图的神经网络（Graph-based neural networks）和消息传递神经网络（message-passing neural networks，MPNNs），我们训练了一个MPNN，首先使用AFLOW数据库中的密度泛函理论数据对材料进行分类，区分金属和半导体/绝缘体。然后，我们进行了神经架构搜索，探索MPNN的模型架构和超参数空间，以预测非金属材料的能带间隙。通过搜索的最佳模型组成了一个集合，其性能明显优于现有文献中的模型。利用蒙特卡洛Dropout和集成方法对不确定性进行了评估，其中集成方法表现出更好的结果。我们还分析了集成模型的适用领域，比如晶体系统、密度泛函计算中是否包含Hubbard参数以及构成材料的原子种类。

Sep, 2023

利用扫描门显微术（SGM）以及三种不同的机器学习技术来估计2D电子气背景势能，研究着重于以进化搜索算法为基础的缺陷分析，为量子材料的探测提供了一种新的方法。

Oct, 2023

使用原子团簇展开（ACE）框架，不断发展出一种适用于快速准确建模五硝基金刚酸铝的声子传输特性的机器学习原子间势。通过对w-AlN的一系列性质，包括基态晶格参数、比热容、热膨胀系数、体模量和谐振声子色散等进行ACE势对密度泛函理论（DFT）的预测能力展示。通过将ACE预测值与DFT计算和实验进行比较，验证晶格热导率，并展示我们的ACE势在描述非谐振声子相互作用方面的整体能力。作为实际应用，我们使用该势进行晶格动力学分析，揭示双轴应变对w-AlN的热导率和声子特性的影响，这被确定为调节w-AlN基电子器件近接热设计的重要因素。

Nov, 2023

在这项研究中，我们发现普遍的机器学习相互原子势（MLIPs）存在潜在的能量面（PES）软化效应，该效应可以通过微调一个额外数据点来有效解决，这表明一部分uMLIP的错误是高度系统化的，可以高效地修正，从而解释了基于MLIP的数据高效微调改善的普遍观察。我们提出了对下一代基础MLIPs的全面材料数据集的重要性。

May, 2024

利用基于扩散模型的生成式机器学习模型，我们能够成功解决模拟的小至10安培、包含来自七个晶体系统的各种对称性和复杂性的200种材料的纳米晶体结构，并且能够处理真实实验中噪声扩散模式收集的结构解决方案，这表明数据驱动的方法将提供解决以前未解决的纳米材料结构的途径。

Jun, 2024

本文研究了如何有效提取和解释包含重要数据的物理成像信息，尤其是面临有效描述局部结构的挑战。提出的尺度不变变分自编码器（SI-VAE）在不同长度尺度下进行训练，能够发现系统的尺度依赖变异因素，具有广泛应用潜力，包括自动实验以及材料属性发现等。

Aug, 2024