本文介绍一项基于语言模型的自动化方法，通过自然文本连接文献与合成洞见，提高材料设计和发现速度，并展示该方法在预测钙钛矿材料先驱体和筛选新化合物方面的潜力。

Dec, 2018

借助机器学习模型和遗传算法，本研究在较快速的速度上成功预测、验证和评估了沸石的吸附性能、吸附位点及生成新的沸石结构。

Mar, 2024

基于深度学习的生成模型和密度泛函理论，我们通过学习和利用显式和隐式化学知识，提出了一种材料组成和结构设计的方法。通过深度扩散语言模型生成组合，并应用基于模板的晶体结构预测算法预测相应的结构，然后使用基于通用图神经网络的势函数进行结构弛豫。通过密度泛函理论的计算和能量分析验证了我们的方法，并发现了六种新的具有负能量生成焓的材料，证明了我们方法的有效性。

Sep, 2023

本文研究了无机和杂化固态材料中以原子为中心的配位八面体网络的几何解析、分类和编码，并运用无监督机器学习方法将这些网络进行分类，揭示了所研究的多种材料系统中的结构与特性之间的关系及设计指导原则，这可以为特定结构类型的高通量筛选提供知识支持。

Jun, 2023

固态材料的表面性质对其功能起着重要作用，表面性质是由材料合成或操作条件决定的，计算表面科学方法和机器学习算法在研究复杂的纳米尺度的无机表面具有很大的潜力。

Dec, 2023

该研究论文介绍了一种新的机器学习框架，用于从现有的材料数据中提取预测模型，方法是使用具有化学多样性的属性列表，并将数据集分成相似材料组，提高预测准确度，可用于预测晶态和非晶材料的多种属性。

Jun, 2016

本文介绍了一种自动从物质科学期刊文章中提取无机化合物实验合成结构化信息的系统，定义为一组链接事件，由提取的科学实体构成，同时评估了两种无监督方法和多种有监督模型。

Nov, 2017

新型深度学习算法在提高新药发现效率方面表现出色，但其缺乏可合成性的信息，导致其合成难度大幅上升，需要新算法的开发来加以解决。

Feb, 2020

通过使用通用深度学习模型在微观层面对无机化学中的非晶态结构进行结晶途径采样，我们展示了可以高精度地预测非晶态前体起始生成的多态结晶体结构，跨包括多态氧化物、氮化物、碳化物、氟化物、氯化物、硫化物和金属合金在内的多样化材料体系，从而表明奥斯瓦尔德阶段定律可以在分子层面上机械化地用于材料合成中可预测地获得新的亚稳相晶体。

Oct, 2023

本文基于 Deep Learning 方法，开发一个新模型，能够更加有效的预测含有孔隙结构的晶体物质的热吸附性能，该模型能够考虑到晶体的空间对称性和孔隙结构，并且在实验验证中表现良好。

Apr, 2023