Jul, 2023

电池电解液的结构 - 组成与器件性能的配方图

PDF
TL;DR我们报道了一个深度学习模型，Formulation Graph Convolution Network (F-GCN)，可以将个体组分的结构 - 组成关系映射到整个液体配方的性质上。该模型在电池电解液配方上得到了良好的性能预测结果，包括 Coulombic Efficiency (CE) 和比容量。
combinatorial materialhigh-throughput screeningdeep learning modelliquid formulationbattery electrolytes
发现论文，激发创造
  • 分子性质预测：多层量子相互作用建模透视

    本研究提出了可推广和可转移的分层图卷积神经网络（MGCN）以预测分子性质。研究中将每个分子表示为图以保留其内部结构，并且通过多级交互从构象和空间信息直接提取特征，从而可以利用多级总体表示来进行预测。实验结果显示 MGCN 具有显著的泛化能力和可转移性。

    Jun, 2019

  • 混合量子图神经网络用于分子属性预测

    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

  • 分析学习的分子表征进行性质预测

    在分子属性预测的算法解决方案中，神经机器技术的进步导致了一系列算法解决方案，其中神经网络应用于计算分子指纹或专家制作的描述符以及构造学习分子表示的图卷积神经网络最为有效，这项研究进行了广泛的基准测试，并提出了优于现有模型的图卷积模型的实证发现。

    Apr, 2019

  • 晶体图卷积神经网络用于材料性能的准确和可解释的预测

    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

  • 基于图卷积神经网络的材料空间分层可视化

    结合高通量计算和机器学习开展的材料设计新范式的研究，开展了通过图卷积神经网络的不同层的表示学习在任意材料空间内分层可视化材料的组成和结构相似性的统一框架，为材料空间探索提供了新技术，该方法可以帮助过渡到自动化材料设计的数据中心探索。

    Jul, 2018

  • 利用化学元素知识图谱的分子对比学习

    该论文提出了一种基于知识的图对比学习框架，利用化学元素知识图来辅助原子表示学习，取得了在药物设计方面的优异表现。

    Dec, 2021

  • 晶体图神经网络在合金置换合金化中的应用

    本文利用晶体图神经网络（CGNN）预测水晶的属性，通过对原子、结合和整体状态特征的编码，在 DFT 的级别上实现预测的正确性，从而在合金探索中找到有前途的路径。

    Jun, 2023

  • 分子超图神经网络

    通过引入分子超图和分子超图神经网络（MHNN），本研究针对化学有关任务中传统图模型无法足够表示高阶连接（如多中心键和共轭结构）的问题，提出了一种可以预测有机半导体的光电性质的 MHNN 算法，其中超边表示共轭结构。结果表明，MHNN 在 OPV、OCELOTv1 和 PCQM4Mv2 数据集的大多数任务中优于所有基准模型。值得注意的是，MHNN 在没有任何三维几何信息的情况下，超过了利用原子位置的基准模型。此外，在训练数据有限的情况下，MHNN 表现出更好的性能比预训练 GNNs，彰显其出色的数据效率。本研究为更一般的分子表示和高阶连接相关的属性预测任务提供了新的策略。

    Dec, 2023

  • 分子图卷积：超越指纹技术

    描述了分子结构的分子 “图卷积”，这是一种针对无向图学习的机器学习架构，可以更好地利用图结构中的信息，为基于配体的虚拟筛选开辟了新局面。

    Mar, 2016

  • 聚合物属性预测的图卷积神经网络

    本文采用图卷积神经网络（GCNN）预测聚合物的介电常数和能带隙，GCNN 可以达到与 DFT 结果非常接近的精度，并显示 GCNN 优于其他机器学习算法。该方法不再需要繁琐的手工描述符，仅依靠聚合物的形态数据即可实现准确快速的预测，可用于快速、精准地逆向设计聚合物。

    Nov, 2018