基于贝叶斯推断的组分依赖相图

Sep, 2023

Bayesian inference of composition-dependent phase diagrams

Timofei Miryashkin, Olga Klimanova, Vladimir Ladygin, Alexander Shapeev

TL;DR我们通过应用贝叶斯推断方法结合分子动力学、熔点模拟和声子计算的热力学数据，得到了一个温度 - 浓度相图，它不仅提供了不同相的自由能随温度和浓度变化的信息，也考虑了由有限长度分子动力学轨迹引起的统计误差的不确定性，并且将有限原子计算的结果外推到无限原子极限，以选择最有效地降低相图不确定性的温度、化学势和下次模拟的原子数。这个算法成功地在 Ge-Si 和 K-Na 两个二元体系的整个浓度和温度范围内进行了测试。

Abstract

phase diagrams serve as a highly informative tool for materials design, encapsulating information about the phases that a material can manifest under specific conditions. In this work, we develop a method in whic

phase diagrams materials design bayesian inference thermodynamic data finite-atom calculations

发现论文，激发创造

带条件的正规化流方法高效映射相图

通过深度生成机器学习模型和热力学状态的条件正则化流，我们可以高效地生成整个相图的平衡样本，并在预测固液共存线时降低所需能量评估数量。

Jun, 2024

机器学习的非平衡物态相

本文介绍了一种基于神经网络的机器学习方法，可以用于推断不同相的相图，通过获得从个体本征态中提取出来的纠缠谱。该方法在识别 MBL 相转变方面优于传统度量标准（如纠缠熵），从而揭示了更清晰的相边界和关于相图拓扑的新见解，这对于 MBL 相的发现具有参考价值。

Oct, 2017

平衡分子信息与实证数据在物理 - 化学性质预测中的应用

利用分子描述符和表示学习相结合的方法，通过结合概率机器学习文献中的期望最大化算法，自动检测并纠正基于结构的预测不可靠的情况，从而显著提高了对二元混合物中活度系数的预测准确性，展示了在物理化学性质预测中的潜力。

Jun, 2024

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

深度异常检测实现非监督式相位发现

本研究使用自动化和无监督的机器学习探索相图，以确定可能出现新相的感兴趣区域。作为范例，我们使用深度神经网络在扩展 Bose-Hubbard 1D 模型中完全无监督和自动化的确定整个相图，发现超固体和超流体部之间的相分离区域具有意想不到的性质，并揭示了超过标准的超流体，Mott 绝缘体，Haldane 绝缘体和密度波相。

Mar, 2020

通过混淆学习相变

利用神经网络的方法，通过训练错误标记的数据来识别量子力学系统中的相变，成功地在各种情况下进行测试，意味着这是一种可以通用于未知相变检测的方法。

Oct, 2016

贝叶斯推断问题中的相变类型学

本文通过对稀疏图上的推理问题的描述和分析，研究了随机块模型的相变以及在信息论上最优化问题变得容易但是在计算上仍具挑战性的的混合硬相位，并阐明了消息传递算法的贝叶斯最优性及其在这些问题中的作用，并通过数值模拟验证了该方法的有效性。

Jun, 2018

机器学习物态相

采用神经网络通过监督学习来识别凝聚态系统中的相和相变，能够通过现代软件库方便地进行编程，能够检测到多种类型的序参量，包括高度非平凡的库仑相，并且即使在没有哈密顿量甚至相互作用的广义局部性知识下，也能够实现分类。

May, 2016

推理的统计物理学：阈值和算法

介绍了推断问题中的相变和统计物理之间的联系，详细阐述了类似 Ising 模型的推断问题，以及解决图和网络上的聚类和稀疏估计问题的应用。

Nov, 2015

机器学习统一材料和分子建模

本研究基于局部化学环境和贝叶斯统计学习的机器学习模型，提供了一个统一的框架，可以预测原子尺度的稳定性和不同类别的分子的化学精度，可以区分活性和非活性的蛋白质配体，这种方法可以对材料和分子的势能面提供新的洞察。

Jun, 2017