Sep, 2023

利用热力学和结构参数的强化机器学习框架提升高熵合金相位和晶体结构预测

PDF
TL;DR利用机器学习技术预测高熵合金的相和晶体结构，采用相关系数选择高预测准确度的特征，并使用五种不同的提升算法提供了改进相和晶体结构预测精确度的指南。其中，XGBoost 对相的预测准确度达到 94.05％，LightGBM 对晶体结构的预测准确度达到 90.07％，并对模型准确度受参数影响的量化及单个参数在相和晶体结构预测过程中的贡献提出了新方法。
high-entropy alloysmachine learning techniquesphasescrystal structuresprediction accuracy
发现论文，激发创造
  • 强关联费米子的机器学习阶段

    使用神经网络机器学习技术，在辅助场配置上训练三维卷积网络，成功预测了半填充下哈伯模型的磁相图，并利用迁移学习方法预测了磁相的不稳定性扩展到了至少 5% 的掺杂度，显示了在相关量子多体系统中运用机器学习的广阔前景。

    Sep, 2016

  • 可解释的集成学习在材料性质预测中的应用：以碳为例

    我们提出了一种基于集成学习的方法，用于预测晶体材料的形成能量和弹性常数，通过分子动力学计算的物性作为输入，集成学习结果比传统的原子势能方法更准确。

    Jul, 2023

  • 机器学习辅助关闭式 X 射线衍射相变金属识别

    本文介绍了一种使用机器学习来预测过渡金属及其氧化物 X 射线衍射数据晶体结构相位的方法，并评估了其性能和比较了其不同设置的多样性，结果表明该机器学习框架具有竞争力的性能，这证明机器学习对 X 射线衍射和晶体结构确定领域具有重要意义。

    Apr, 2023

  • 如何为机器学习表示晶体结构：实现电子性能的快速预测

    本文提出了一种机器学习方法，以快速预测固体材料的性质，通过使用对称可扩展的晶体结构表示法，实现高精度的学习和预测，主要关注预测金属或绝缘体行为以及费米能级处的电子状态密度的值。

    Jul, 2013

  • Matbench Discovery - 机器学习晶体稳定性预测的评估框架

    Matbench Discovery 通过部署机器学习（ML）能源模型在高通量搜索稳定无机晶体中模拟。我们解决了（i）热力学稳定性与形成能之间的脱节和（ii）域内与域外的性能之间的差异问题。通过本文和我们的 Python 包以及在线排行榜，我们探索了各个性能指标之间的权衡，回答了在材料发现方面哪种 ML 方法表现最佳的问题。我们发现在热力学稳定性预测的测试集 F1 得分中，CHGNet > M3GNet > MACE > ALIGNN > MEGNet > CGCNN > CGCNN+P > Wrenformer > BOWSR > Voronoi tessellation fingerprints with random forest。前三个模型是 UIPs，是 ML 引导材料发现的获胜方法，其晶体稳定性分类的 F1 得分达到了约 0.6，并且在与我们的测试集的前 10000 个最稳定预测的虚拟选择相比，发现加速因子（DAF）最高可达 5 倍。我们还强调了常用的全局回归指标与更具任务相关性的分类指标之间的明显差异。准确的回归器如果那些准确的预测接近 0 eV / 原子的凸包上的决策边界，那么它们就容易出现意外高的假阳性率，而大多数材料都是接近该边界的。我们的结果突显了需要关注与提高稳定性命中率实际相关的分类指标。

    Aug, 2023

  • 基于数据驱动的评分模型生成具有自适应晶胞的稳定结构

    使用机器学习生成模型生成具有所需性质（如化学稳定性和指定化学组成）的新晶体结构，并展示其在不同化学体系和晶体群中生成新候选结构的功能。

    Oct, 2023

  • LatticeML：一种预测基于高温图形化材料的有效杨氏模量的数据驱动应用

    利用 LatticeML 应用通过机器学习加速高温图形化材料的设计和优化，预测热性能材料的有效弹性模量，并使用 Streamlit 框架创建交互式网页界面

    Apr, 2024

  • 水晶材料属性预测的晶体特定预训练框架

    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

  • AlphaCrystal-II：基于距离矩阵的晶体结构预测与深度学习

    AlphaCrystal-II 利用已知的晶体结构中丰富的原子间相互作用模式，预测目标晶体材料的原子距离矩阵，并利用该矩阵重构其三维晶体结构，通过全面的实验验证，展示了数据驱动方法在加速新材料的发现和设计中的潜力。

    Apr, 2024

  • 用单个深度学习模型预测晶体的多个性质

    本研究介绍了一种基于 Transformer 的适应性框架 CrystalBERT，该框架整合了空间群、元素和晶胞信息，能够准确预测各种物理重要性质，包括拓扑性质和超导过渡温度等，同时提供具有洞察力的对目标物性影响最显著的特征的物理解释。通过结合各种特征，模型在拓扑分类中实现了 91% 的高准确率，超过以往研究，并识别了先前被错误分类的拓扑材料，进一步证明了我们模型的有效性。

    May, 2024