晶体图神经网络在合金置换合金化中的应用
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
本文中提出了一种改进的晶体图卷积神经网络（iCGCNN）来学习晶体结构的材料属性，该方法不仅采用 Voronoi 剖分晶体结构，还考虑了邻近组分原子的 3 体相互作用和晶体图中原子间化学键的优化表示。研究表明，iCGCNN 方法可以用于通过快速准确地识别具有所需性质的晶体化合物来加速高通量新材料发现，从而显著提高预测准确性和成功率。
Jun, 2019
研究者们提出了一种新的机器学习方法 Graph Networks，开发了通用的 MEGNet 模型，成功地预测了分子和晶体的物性，并提出了两个解决材料科学和化学数据局限性的新策略。
Dec, 2018
利用数据驱动技术的材料设计过程中，我们开发了一种融合经典和量子计算的混合模型来预测钙钛矿材料的能量形成。该模型的性能与经典模型和其他机器学习算法相媲美，为探索量子特征编码和参数化量子电路在图神经网络等复杂机器学习算法中的巨大改进提供了一种新途径。
May, 2024
本文提出并应用了一种基于生成对抗网络的晶体结构生成模型，经过高通量虚拟筛选，成功预测出 23 个具有良好光稳定性和能隙的新型结晶体结构，并在化学空间中发现了未知的化学结构。
Apr, 2020
本研究提出了一种新的模型（MT-CGCNN），通过将 CGCNN 与基于多任务学习的转移学习相结合，成功预测形成能量、带隙和费米能级等多材料性质，取得了较 CGCNN 更好的效果，结果鼓励进一步开发多任务学习的机器学习方法来解决新材料发现中的挑战。
Nov, 2018
基于双尺度邻域划分机制的晶体结构建模和基于原子 - 距离 - 角度图神经网络（ADA-GNN）的属性预测任务处理方法，通过分别处理节点信息和结构信息，提高了预测准确性和推理时间。在两个大规模材料基准数据集上，我们的方法取得了最先进的属性预测结果。
Jan, 2024
通过三维四面体网格生成的晶体结构，提出了一种名为 DeepCrysTet 的新型深度学习方法，用于预测材料属性，该方法在分类晶体结构和预测弹性性质方面表现出色，优于现有的图神经网络模型。
Sep, 2023
通过使用图神经网络（Graph Neural Networks）来建模颗粒破碎中的颗粒片段之间的连接性，本研究生成了一个大规模的数据集，以促进颗粒破碎的机器学习研究，并通过一个基于图神经网络的混合框架来预测颗粒破碎强度，最后通过与传统机器学习方法和传统 MLP 进行对比验证其有效性。
Jul, 2023
利用图神经网络模型原子图结构，并研究结构与相应的局部能垒之间的关系，以改善金属玻璃材料物理性质的预测，并应用图解释算法揭示金属玻璃材料的结构 - 性质关系。
Dec, 2023