Sep, 2023

DeepCrysTet：基于四面体网格的深度学习方法用于预测晶体材料的性质

PDF
TL;DR通过三维四面体网格生成的晶体结构，提出了一种名为 DeepCrysTet 的新型深度学习方法，用于预测材料属性，该方法在分类晶体结构和预测弹性性质方面表现出色，优于现有的图神经网络模型。
发现论文，激发创造
  • 晶体图卷积神经网络用于材料性能的准确和可解释的预测

    本论文提出利用晶体图卷积神经网络 (CGCNN) 可直接从晶体原子之间的联系学习材料物性，有效提高了晶体材料设计的效率，并能够提取局部化学环境对全局物性的贡献，为晶体材料的设计提供了经验规则。

    Oct, 2017

  • CrysMMNet: 晶体属性预测的多模态表示

    本研究提出了一种多模态框架，该框架将结构数据和文本描述结合起来进行分析，以更好地对材料进行建模并预测其性质。

    Jun, 2023

  • 基于深度学习的晶体结构洞见性分类

    本研究提出了一种基于机器学习的方法，通过计算衍射图像并构建神经网络模型进行分类，可正确识别包括有缺陷的结构在内的超过 100,000 个模拟晶体结构的晶体对称性，为材料科学中的三维结构数据的晶体结构识别铺平了道路。

    Sep, 2017

  • 晶体图神经网络在合金置换合金化中的应用

    本文利用晶体图神经网络（CGNN）预测水晶的属性，通过对原子、结合和整体状态特征的编码，在 DFT 的级别上实现预测的正确性，从而在合金探索中找到有前途的路径。

    Jun, 2023

  • 高效材料发现的改进晶体图卷积神经网络框架

    本文中提出了一种改进的晶体图卷积神经网络（iCGCNN）来学习晶体结构的材料属性，该方法不仅采用 Voronoi 剖分晶体结构，还考虑了邻近组分原子的 3 体相互作用和晶体图中原子间化学键的优化表示。研究表明，iCGCNN 方法可以用于通过快速准确地识别具有所需性质的晶体化合物来加速高通量新材料发现，从而显著提高预测准确性和成功率。

    Jun, 2019

  • MT-CGCNN: 将晶体图卷积神经网络与多任务学习相结合进行材料性能预测

    本研究提出了一种新的模型（MT-CGCNN），通过将 CGCNN 与基于多任务学习的转移学习相结合，成功预测形成能量、带隙和费米能级等多材料性质，取得了较 CGCNN 更好的效果，结果鼓励进一步开发多任务学习的机器学习方法来解决新材料发现中的挑战。

    Nov, 2018

  • 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

  • 使用深度生成神经网络高通量发现新的立方晶体材料

    本研究用深度学习的生成对抗网络方法，提出了 CubicGAN 模型以大规模生成新的立方晶体结构，在 375,749 个三元晶体材料的训练数据下发现 506 种新材料，通过 DFT 验证后发现有远超同类材料的功能特性，这一方法将极大的拓展现有的材料库，实现新型功能材料的快速筛选。

    Feb, 2021

  • 生成对抗网络在晶体结构预测中的应用

    本文提出并应用了一种基于生成对抗网络的晶体结构生成模型，经过高通量虚拟筛选，成功预测出 23 个具有良好光稳定性和能隙的新型结晶体结构，并在化学空间中发现了未知的化学结构。

    Apr, 2020

  • 利用轨道信息与原子特征的深度学习模型

    利用晶体表示学习框架 Orbital CrystalNet 预测材料性质，该框架包括原子描述符生成和图形表示学习两个部分，证明了该模型的有效性。

    Oct, 2022