Sep, 2023

基于实验、众包、模拟和学习的端到端相场模型发现

PDF
TL;DR通过 AI 驱动的科学发现，我们提供了一种自动从实验数据中发现相场物理模型的方案，结合了实验、众包、模拟和学习的全流程。我们的平台在分析极端条件下材料的纳米结构演变中被应用，揭示了手动分析无法检测到的纳米空缺缺陷的新特性。
ai-driven scientific discoveryphase field model discoveryexperiment datacrowdsourcing toolsnano-structure evolution
发现论文，激发创造
  • 基于贝叶斯自主材料相图制图的人工智能辅助系统

    该研究提出一种方法，即将人类的先前知识融合到自动实验中，可用于材料研究中的相图绘制，并证明了加入人类先验知识对绘制精度的显著提高。

    Jun, 2023

  • 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

  • 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

  • 应用物理学知识的操作符回归框架，用于提取数据驱动的连续模型

    采用神经网络参数化的物理描述框架，从分子模拟数据中自动发现连续体模型。该方法在模态空间中对支配物理方程进行参数化，对涉及对称性、各向同性和守恒性的归纳偏差提供结构。通过应用在各种物理问题中展示了该框架的有效性。

    Sep, 2020

  • 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

  • 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

  • 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

  • 主动学习机器学习创造新的量子实验

    本文探讨了机器学习在科学研究中的潜力，使用物理导向的人工智能方法研究了在量子实验中产生高维纠缠多光子态的复杂光子量子实验的设计与实现，自主学习创造了多种纠缠态并提高了实现效率，提出了机器在未来研究中具有更加创造性的可能。

    Jun, 2017

  • 利用机器学习解决物理系统模拟中的计算难题

    本研究提出了一个基于机器学习的数据生成框架，旨在辅助那些利用模拟来研究各种物理系统或过程的研究人员。我们的方法包括两个步骤：首先，我们使用有限的模拟数据训练监督预测模型来预测模拟结果；然后，我们使用强化学习代理来生成准确的、类似于模拟的数据，从而更有效地探索参数空间并深入了解物理系统或过程。我们通过两个案例研究：一个关注地震破裂物理，另一个关注新材料开发，证明了所提出框架的有效性。

    May, 2023