Nov, 2023

AIMS-EREA - 用于环境修复和能源应用的材料可持续性人工智能加速创新框架

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 可持续建筑材料的加速发现

    通过使用半监督生成模型（CVAE），该研究使用UCI机器学习库的开放数据和基于网络工具计算的环境影响数据对模型进行训练，以设计出满足结构要求且具有更低排放和更少自然资源使用的混凝土配方。

    May, 2019

  • 推动人工智能和人类共同创造，加速材料发现

    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

  • 回收材料的敏捷制造中的机器学习方法实现可持续性

    本研究通过数据驱动的AI方法，应用机器学习模型，探索采用再生和回收材料的敏捷制造决策支持的材料科学中的环境可持续性，通过对热处理参数对材料性质的影响、颗粒尺寸检测和短语分数检测进行预测分析，得出了很多有希望的结果，但是之后的工作仍需面对各种挑战。

    Mar, 2023

  • 材料信息学： 一种算法设计规则

    研究论文介绍了材料信息学作为一种第四范式的材料科学研究方法，并通过应用多种神经网络拓扑结构、逻辑公理和推理信息科学，发展出了面向半导体工业的新型有机半导体发现的数据驱动程序，并为材料科学界提供了知识提取。

    May, 2023

  • MatChat：用于材料科学的大型语言模型和应用服务平台

    本研究利用LLaMA2-7B模型，结合13,878件结构化材料知识数据，通过学习过程增强了MatChat AI模型，以预测无机材料合成路径。尽管MatChat还需要进一步完善以满足不同的材料设计需求，但本研究无疑突出了其出色的推理能力和在材料科学领域的创新潜力，同时以开源方式提供了MatChat的模型和应用框架，为将生成式人工智能与材料科学整合的协作创新奠定了坚实的基础。

    Oct, 2023

  • 大规模扩散材料生成

    本研究提出了一个基于UniMat的晶体结构生成方法，通过训练扩散概率模型，能够高度还原大规模和复杂化学系统的晶体结构，并且在评估指标上胜过之前基于图结构的方法，同时提出了针对材料的新评估指标，并展示了条件生成在大规模晶体数据集上的可扩展性，优于结构发现的当前方法。

    Oct, 2023

  • 材料专家——材料发现的人工智能

    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

  • 基于代理的从科学文献中学习材料数据集

    通过使用大型语言模型（LLMs）创建化学家 AI 代理程序，本研究克服了通过自动创建从自然语言文本中提取结构化数据集所面临的质量和一致性问题、可扩展性限制、以及人为错误和偏见的风险，进而简化了各种材料发现应用的机器学习数据集的编制，以及对自然语言处理工具的易用性提升。

    Dec, 2023

  • 聚合物太阳能电池材料发现加速：自然语言处理提供的数据驱动洞察

    使用自然语言处理技术从3300多篇论文中提取聚合物太阳能电池属性数据，并模拟各种主动学习策略，加速材料创新，同时预测功率转换效率和发现未报道的有潜力的供体-受体组合。

    Feb, 2024

  • AtomAgents: 通过物理感知的多模态多代理人人工智能实现合金设计与发现

    通过协同异构的多智能体系统，AtomAgents平台提供了一个综合的、面向物理模拟结果的理解和预测框架，用于解决复杂多目标设计任务，包括合金设计和材料改性领域的应用。

    Jul, 2024