大数据和 AI 驱动模型的准确性和质量对于建立准确的人工智能模型至关重要。然而，在根本性数据库生成中存在一些关键障碍，这些常常在文献中被低估并且得到很少的讨论。在本文中，我们特别针对超导和热电材料进行了两个代表性案例研究，讨论了三个方面，即内在有偏采样选择，可能的隐藏变量，以及不同的数据年龄。值得注意的是，据我们所知，我们提出并测试了第一个能够检测和量化内在数据偏差的策略。

Nov, 2023

通过理论分析 Fibonacci 准晶层叠的铁磁层，本研究构建了一个该磁异质结构的模型，并在此准晶系统中展示了几何阻碍与磁序之间的复杂关系。为了确定不同的磁相，我们采用了机器学习方法，其证明在揭示该系统的复杂磁性行为方面是有效的。我们详细描述了模型参数对应的磁相图，并发现了独特的铁磁交替螺旋相，其中磁化随层高以对数方式减小。

Jul, 2023

通过机器学习将操作性直觉转化为可量化描述符，以及通过结构信息指示的容限因子，研究和发现拓扑半金属等材料。

Dec, 2023

通过基于材料信息学的基础理解、部署策略以及自主或半自主扩展，将人工智能应用于密度泛函理论和 CALPHAD 热力学方法中，建立了高度通用的多层次发现基础设施，旨在解决多种材料设计问题，展示了多合金功能梯度材料的设计及其应用于降低 CO2 排放的气体涡轮机和喷气发动机效率增加以及高超声速飞行器的研究。

Jul, 2024

通过使用人工智能的智能信号处理方法，我们展示了人工智能在核磁共振应用中超越传统技术的新机遇。我们开发和训练了几个人工神经网络，应用在我们的新工具箱 MR-Ai 中，解决了三个 “不可能” 的问题：仅使用传统 Echo/Anti-Echo 方案中 Echo（或 Anti-Echo）调制进行象限检测；获取由任何给定方法处理的光谱中每个点信号强度的不确定性；以及定义一个无需参考的评分来定量评估核磁共振光谱质量。我们的发现突显了人工智能技术改变核磁共振处理和分析的潜力。

May, 2024

通过机器学习和 AI 技术，提出了一个支持领域和流程知识管理，结合人工智能协作的工作台框架，以减少时间和机会成本的目的，实现化学空间探索的新型功能材料的发现。

Nov, 2022

使用机器学习插值位能函数和 Markov-chain Monte Carlo 采样方法，加快了多组分材料表面相图预测中的能量和统计抽样方法，可模拟复杂的材料表面并发现以前未报告的表面终止。

May, 2023

本文针对数据驱动的材料科学中出现的问题，提出了基于 Grobid-superconductors 的自动提取超导材料及其性能的方案，并使用该方案建立了包含 40324 材料和性能记录的数据库 SuperCon2，其中材料信息包括名称、化学式、材料类别，以及形状、掺杂、取代元素和衬底等相关属性；性能信息包括临界温度 Tc 和测温方法等内容。

Oct, 2022

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

基于材料科学理论和生成式人工智能的 AIMS-EREA 框架可以帮助实现可持续发展热电材料的快速发现，并消除产生有害副产物的可能性。

Nov, 2023