Nov, 2023

通过数据融合学习材料的结构 - 性能关系：贝叶斯共区相关 N 维分段函数学习

PDF
TL;DR应用贝叶斯算法的 SAGE 算法通过多模态核主成分分析将来自不同数据源的知识合并，学习合成 - 结构 - 性能关系，从而克服高维复杂材料搜索空间和知识融合的挑战。
advanced materialsmaterials discoveryknowledge fusionsynthesis-structure-property relationshipsage algorithm
发现论文，激发创造
  • 高效材料科学模拟的代理模型：基于机器学习预测微观组织性质

    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

  • 材料科学的多模态机器学习：从实验测定的属性到成分 - 结构双模态学习

    该研究介绍了一种基于组成 - 结构双模态学习的多模态机器学习方法，用于提高实验测得的材料性质的学习和预测，同时通过数据增强技术，显著减小了材料性质的预测误差。

    Aug, 2023

  • 通过学习学习推动材料性能的外推预测

    利用基于注意力机制的神经网络和元学习算法，研究在材料科学领域中使用外推模型，以加速新材料的发现。

    Mar, 2024

  • 一种全面而多功能的多模态深度学习方法，用于预测先进材料的多种性质

    通过融合物理属性和化学数据，我们提出了一个多模态深度学习框架，用于预测一种 10 维丙烯酸聚合物复合材料的物理特性。该框架可以处理 18 维的复杂性，成功预测了 114,210 种成分条件下的 913,680 个物性数据点。我们提出了一个分析高维信息空间以进行反向材料设计的框架，并展示了足够的数据可实现的材料类型和规模的灵活性和适应性。这项研究推动了未来对不同材料和更复杂模型的研究，并将我们更接近预测所有材料的所有属性的终极目标。

    Mar, 2023

  • 基于文献训练的神经网络的无机材料合成规划

    本文介绍一项基于语言模型的自动化方法，通过自然文本连接文献与合成洞见，提高材料设计和发现速度，并展示该方法在预测钙钛矿材料先驱体和筛选新化合物方面的潜力。

    Dec, 2018

  • 关于材料设计的立场论文 —— 现代方法

    机器学习方法克服了传统设计周期中的复杂物理关系和未知不确定性的限制，通过数据驱动学习，表示学习和生成性机器学习方法可以加快新材料的设计过程，并实现对材料行为的预测和解释。

    Dec, 2023

  • 利用生成式深度学习从信息受损的衍射数据实现端到端结构解决方案

    介绍了一种新颖的机器学习方法，使用多分支深度神经网络和计算的粉末 X 射线衍射，结合部分化学组成信息，实现对结构的成功求解。

    Dec, 2023

  • 利用语言表示进行物料推荐、排序与探索

    通过使用来自材料科学特定语言模型的自然语言嵌入作为成分和结构特征的表示方法，我们介绍了一种材料发现框架，并将其应用于热电材料，展示了原型结构的多样化推荐和识别出了未充分研究的高性能材料空间，其中包括卤化物钙钛矿、德拉福石和尖晶石结构。

    May, 2023

  • 结构导向的材料和工艺设计中的机器学习

    近年来，加速材料创新引起了学术界和工业界的广泛关注。为了为新型先进材料的开发增添价值，必须考虑制造过程，并将材料设计方法与下游工艺设计相结合。本研究提出了一种整体优化方法，涵盖了整个材料的过程 - 结构 - 性能链。采用机器学习技术解决了两个关键的识别问题，即材料设计问题和工艺设计问题。我们应用强化学习与多任务学习的优化方法，在金属成型过程中制造具有所需属性的晶体纹理，展示了该方法的功能。

    Dec, 2023

  • 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