比较传统设计优化方法和基于深度学习的反向设计方法在各种场景下的性能，并提供指南以增强后者在实际工程设计问题中的实用性。

Aug, 2023

通过研究两个不同数据集中的六种机器学习技术在材料科学领域的应用，本文分析了这些模型的准确性和稳健性，并阐明了它们性能差异的原因。研究还考察了包含领域知识的影响以及基于训练数据可用性和质量的一般建议。

Sep, 2023

使用物理引导的晶体生成模型（PGCGM）来作为逆向设计过程的一部分，评估生成式机器学习模型如何利用科学建模生成的数据来创造大量的新材料结构。研究发现，PGCGM的输入空间对参数变化并不平滑，导致了材料优化的困难和局限性；同时，通过一个独立的属性预测模型表明，大部分生成的结构在热力学上是不稳定的，部分原因是由于领域外数据挑战。研究结果为改进生成模型以实现更好的逆向设计提供了建议。

Aug, 2023

通过深度神经网络算子（DeepONet）直接学习基于稀疏但高质量位于实验数据的超材料完整微结构与其力学响应之间的关系，进而反向设计具有特定非线性力学特性的结构，该方法为设计复杂微结构材料的特性提供了可行性，即使在数据稀缺的情况下。

Nov, 2023

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

我们研究了能够编码难以明确表达的物理约束的生成模型的构建。针对逆向材料设计问题，其中寻求设计具有预定属性的材料是一个重要挑战，我们对隐式数据集关系进行编码，即数据集中的某些材料可以分解成其他材料，并提出了一种能够在潜在空间中保持这一属性并生成具有相同属性的新样本的VAE模型。这在顺序逆向材料设计中特别有用，这是一个通过深度强化学习训练策略来通过顺序添加（或删除）元素设计具有特定属性的材料的新兴研究领域。

Dec, 2023

我们提出了一种基于变分自编码器 (VAE) 的模型，用于构建前向和逆向的结构-性质联系，这是计算材料科学中至关重要的问题。我们的模型通过一个双层先验条件于回归变量来系统地结合VAE和回归模型。回归损失与变分自编码器的重构损失一起进行优化，学习与属性预测和重构相关的微观结构特征。该模型可以用于前向和逆向预测，即预测给定微观结构的属性以及预测获取给定属性所需的微观结构。由于逆向问题存在不适定性（多对一关系），我们使用多模态高斯混合先验导出了目标函数，使模型能够推断出多个适用于一组目标属性的微观结构。我们显示，在前向预测方面，我们的模型与最先进的仅前向模型一样准确。此外，我们的方法实现了直接逆向推断。我们表明，使用我们的模型推断的微观结构能够相当准确地实现所需的属性，避免了昂贵的优化过程。

Feb, 2024

通过训练生成模型来加快科学发现并推动各个科学领域的重大进展，尤其是发现具备良好性能的新型无机材料是一项关键挑战，不同于文本或图像数据，材料，特别是晶体结构，由多种类型的变量组成，包括晶格矢量、原子位置和原子种类，本研究探索一种基于Transformer架构的新型扩散模型，用于生成具有所需性质的晶体结构，并证明我们的模型在多样性方面优于先前方法，而我们的实证结果表明，最佳条件方法因数据集而异。

Jun, 2024

本研究解决了逆材料设计中因材料特性纠缠导致的设计过程模糊性问题。提出了一种基于解缠变分自编码器的半监督学习方法，能够有效整合标签和未标签数据并利用专家先验分布提高模型的鲁棒性。实验结果表明，该方法在处理高熵合金数据集时具有优越的可解释性和数据效率，为多目标逆材料设计提供了可扩展性。

Sep, 2024

本研究针对微结构设计中存在的领域知识壁垒和复杂算法的学习曲线，提出了一种结合自然语言处理、大型语言模型和去噪扩散概率模型的框架，以便通过自然语言命令进行直观的微结构设计。该框架显著降低了操作难度，使用户能够快速从自然语言输入生成目标性能的微结构，推动了微结构逆向设计的实践应用。

Sep, 2024