关于材料设计的立场论文 —— 现代方法

AAAIDec, 2023

关于材料设计的立场论文 —— 现代方法

Position Paper on Materials Design -- A Modern Approach

Willi Grossmann, Sebastian Eilermann, Tim Rensmeyer, Artur Liebert, Michael Hohmann...

TL;DR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。

Abstract

traditional design cycles for new materials and assemblies have two fundamental drawbacks. The underlying physical relationships are often too complex to be precisely calculated and described. Aside from that, ma

traditional design cycles machine learning methods representation learning generative ml approaches new materials

发现论文，激发创造

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

LLMatDesign：基于大型语言模型的自主材料发现

LLMatDesign 是一个基于大型语言模型的可解释材料设计框架，通过使用 LLM 代理来翻译人类指令、修改材料并使用提供的工具评估结果，以零样本的方式适应新任务和条件，通过在几个材料设计任务上系统评估证实其在小数据领域中开发具有用户定义目标属性的新材料的有效性，展示了在计算环境中基于自主 LLM 引导的材料发现对于未来的自动化实验室的显著潜力。

Jun, 2024

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

分子和材料科学中的知识重用迁移学习方法

分析转移学习在分子和材料科学中的应用和近期进展，重点关注转移学习方法在高级分子和材料的发现中的应用，不同系统下转移学习框架的构建以及如何提高模型性能，并讨论了转移学习面临的挑战。

Mar, 2024

一般性用途的无机材料属性预测机器学习框架

该研究论文介绍了一种新的机器学习框架，用于从现有的材料数据中提取预测模型，方法是使用具有化学多样性的属性列表，并将数据集分成相似材料组，提高预测准确度，可用于预测晶态和非晶材料的多种属性。

Jun, 2016

使用不完备的机械知识进行制造过程加速且低成本的机器学习

本研究提出了一种基于迁移学习的方法，通过使用大量来源于基于物理的流程模型的计算廉价的数据进行 ML 模型训练，然后在少量代价昂贵的实验数据上进行微调，从而降低了新工艺过程物理模型开发的高成本，并且该方法在 Fused Filament Fabrication 的印刷线宽建模中表现良好，减少了模型开发时间、实验成本、计算成本和预测误差。

Apr, 2023

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

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

新颖性是否可预测？

探讨如何在机器学习设计中平衡过度信任和不推广创新的问题，特别是在设计具有新性质的蛋白质方面。

Jun, 2023

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