通过无监督学习对机械异质领域进行分割
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
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
本文介绍了一种用于异构无监督领域自适应的创新传输模型 GLG，该模型通过构建同质化表示形式并通过测量他们与原始源和目标域之间的角度距离，达到了知识转移的目的，并在癌症检测、信用评估和文本分类等三个应用领域中的十个任务中展示出优异的性能表现。
Jan, 2017
本文介绍了一种使用集成机器学习框架实现的无监督聚类算法将复杂计算机模拟中的涡流模式数据分类并划分为不同结构分类目录，提高了数据划分的准确性和鲁棒性，并给出了更精确和可靠的感兴趣区域范围确定方法。
Sep, 2021
基于操作符学习的数值均匀化模型 HomoGenius，可快速提供任意几何、材料和分辨率的均匀化结果，比传统数值均匀化方法效率提高了 80 倍，且具有高精度、超高效和学习能力。
Mar, 2024
用机器学习方法加速计算大域上长时间尺度下的块聚合物形态演化。通过分离粗粒化颗粒演化的特征时间和介观尺度上的缓慢形态演化，利用粒子模拟直接学习随机驱动的缺陷消除过程。采用支持不同边界条件的 UNet 架构，允许任意形状的周期和固定基底边界条件。通过损失函数引入物理概念，数据增强引入对称性，有效性经三个不同的用例验证，可可视化时空演化，研究不同形态限制下的缺陷密度及其演化。在应用方面，展示了访问后期形态对理解单个块内粒子扩散的重要性。对于微电子、电池材料和膜的定向自组装和材料设计有重要意义。
Aug, 2023
通过纳米压痕研究了 Cu-Cr 复合材料，使用无监督学习的高斯混合模型分析大量数据集，确定了多个机械相和相应的机械性能，并引入交叉验证方法来解决在材料科学机器学习中常遇到的数据数量和可靠预测问题。
Sep, 2023
我们发展了一种新方法来评估模型的领域适用性，并展示了我们的方法在多个模型类型和材料性质数据集中提供准确和有意义的领域划分。我们的方法通过使用核密度估计计算特征空间中测试数据点与训练数据点的距离，并展示该距离为确定领域提供了有效的工具。我们展示了根据已有化学知识视为无关的化学组合在我们的测量中表现出显著的差异性。我们还展示了高度差异测量与模型性能不佳（即残差大小）和模型不确定性估计不可靠（即不可靠的不确定性估计）相关。我们提供了自动化工具，以帮助研究人员建立可接受的差异阈值，以确定他们自己的机器学习模型的新预测是领域内还是领域外。
May, 2024