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
材料科学中的人工智能通过提高性能预测和加速新材料的发现,革命了这一领域。通过多模态对齐在共享潜在空间中连接高维材料性质,我们介绍了多模态学习结晶材料(MLCM)的基础模型训练新方法,展示了 MLCM 在多个方面的实用性,并在材料科学领域中引入了人工智能革命的创新。
Nov, 2023
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
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
利用晶体表示学习框架 Orbital CrystalNet 预测材料性质,该框架包括原子描述符生成和图形表示学习两个部分,证明了该模型的有效性。
Oct, 2022
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
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
提出了一种针对晶体结构学习具有自我监督的预训练框架,通过互斥掩码策略和周期不变多图模块来解决晶体结构学习中标签不足和周期不变问题,并在 8 个不同的任务上进行了测试,结果表明该框架具有良好的预测性能。
Jun, 2023
准确预测分子性质是药物发现中的一个具有挑战性但必不可少的任务。最近,多模态深度学习方法成功应用于分子性质预测,以克服传统单模态学习方法的局限性并提升模型在准确性、可靠性和抗噪性方面的表现。
Dec, 2023
现有的晶体材料表示方法只考虑晶体分子的局部信息,通过考虑二面角进一步考虑全局信息后,我们首先提出了周期完备表示和计算算法,进而提出了一种特别设计的消息传递机制的网络 PerCNet 进行晶体材料性质预测。在实验证明了周期方案和完备性对晶体表示学习的重要性。