Dec, 2023

溶胶网络与机械行为之间的科学发现路线的人工智能

PDF
TL;DR本文以极端泊松比值和无序网络结构的关系研究为案例，展示了机器学习方法在揭示基础物理机制方面的辅助作用，通过利用卷积神经网络在动力矩阵上的训练，可以更高效地预测无序网络的泊松比值，从而显著改进机器学习算法。
ai for sciencemachine learning algorithmsphysical mechanismspoisson's ratioamorphous networks
发现论文，激发创造
  • 可解释人工智能在力学中的应用：基于物理信息的神经网络用于本构模型

    本文探讨了物理信息神经网络和解释性人工智能的方法，通过对机械数据的训练，使用主成分分析法解释神经网络的高维表示，并能为新材料的数值和分析闭合形式解决方案提供有力的支持。

    Apr, 2021

  • 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

  • 利用生成式知识提取、基于图的表示和多模态智能图推理加速科学发现

    使用生成人工智能（AI）将 1000 篇生物材料领域的科学论文转化为详细的本体知识图，揭示了其固有的无标度特性。通过基于组合排名节点相似性和介数中心性的不同概念之间的图遍历路径检测，我们揭示了深入洞察力，揭示了前所未有的跨学科关系，可用于回答查询，识别知识空缺，并提出前所未见的材料设计及其行为。

    Mar, 2024

  • 基于人工智能因果模型的推断物理定律

    我们提出了一种因果学习模型，通过因果推断和干预研究物理现象的因果关系，并加强（或削弱）对潜在物理过程模型的信心。

    Sep, 2023

  • 利用深度学习构建定制热力学

    基于基本的物理原理，特别重要的是对复杂动态系统进行宏观动力学建模，通过学习化简的热力学坐标和在这些坐标上解释动力学来实现。我们通过在聚合物拉伸和空间流行病的研究中验证了这种方法的有效性，表明我们的方法适用于广泛的科学和技术应用。

    Aug, 2023

  • 从机器中学习新的物理知识

    该论文使用神经网络检测数据与给定参考模型的偏差，并通过极大似然比假设检验算法实现。其主要应用是无需事先假设新物理，实现模型无关的新物理搜索，论文还探讨了进一步优化算法以适用于实验数据的可能性。

    Jun, 2018

  • 揭示人工智能在纳米材料形态预测中的潜力

    该研究探索了 AI 在数据可用性限制下预测纳米颗粒形态的潜力，通过建立一个双倍于类似研究的新的多模态数据集，系统评估了经典机器学习和大型语言模型在纳米材料形状和尺寸预测方面的性能，并最后用一个文本到图像系统进行了原型设计，讨论了所得到的经验结果以及现有方法的局限性和潜力。

    May, 2024

  • 随机构造介质材料的机械特性和反向设计研究使用神经运算器

    通过深度神经网络算子（DeepONet）直接学习基于稀疏但高质量位于实验数据的超材料完整微结构与其力学响应之间的关系，进而反向设计具有特定非线性力学特性的结构，该方法为设计复杂微结构材料的特性提供了可行性，即使在数据稀缺的情况下。

    Nov, 2023

  • 使用 AI 预测 AI 的未来：在指数级增长的知识网络中进行高质量的链接预测

    使用 AI 技术构建基于真实世界数据的 Science4Cast 基准测试，并提出十种不同的方法来预测人工智能研究的未来研究方向，最终目的是为了更先进的研究建议工具。

    Sep, 2022

  • 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