本研究在周期性图上考虑了表示学习问题以编码晶体材料。针对周期性图的独特挑战，我们提出了一种名为 Matformer 的转换器体系结构，用于周期性图的表示学习，它具有周期性不变性和显式重复模式编码的特点。我们的实验结果表明，相对于基线方法，Matformer 在多个公共基准数据集上始终表现更好。此外，我们的结果还表明了周期性不变性和显式重复模式编码对于晶体表示学习的重要性。

Sep, 2022

本研究提出了一种多模态框架，该框架将结构数据和文本描述结合起来进行分析，以更好地对材料进行建模并预测其性质。

Jun, 2023

基于晶格方式建立晶体原子的晶格表示来有效地捕捉晶体的完整几何信息并处理手性晶体是一个挑战，本文提出了 ComFormer，一个专门针对晶体材料设计的 SE (3) 变压器，其包括 iComFormer 和 eComFormer 两个变体，并在三个广泛使用的晶体基准上展示出了 ComFormer 变体的最新预测准确性。

Mar, 2024

本论文提出利用晶体图卷积神经网络 (CGCNN) 可直接从晶体原子之间的联系学习材料物性，有效提高了晶体材料设计的效率，并能够提取局部化学环境对全局物性的贡献，为晶体材料的设计提供了经验规则。

Oct, 2017

本文提出了一种通过建立完整的原子间势能模型来准确地表示晶体材料中无限重复模式和远距离原子相互作用的机器学习方法，并将这种方法与消息传递神经网络结合，经实验证明在材料项目基准测试中，该方法具有稳定的性能提高和合理的计算成本。

Jun, 2023

从晶体结构预测材料的物理性质是材料科学中的一个基本问题。本文介绍了一种无限连接的注意力网络，可以在一个深度学习的特征空间中执行无限的原子间势能求和，并提出了一种名为 Crystalformer 的基于 Transformer 的编码器架构，它只需要原有 Transformer 架构的 29.4% 参数，但在不同的性质回归任务中都表现出比现有方法更好的结果。

Mar, 2024

本研究提出了一种有效的工具，通过 GPU 优化，生成具有周期性结构的截断图和 k 近邻图，并提供了一个 Pytorch 兼容的框架，能够实时进行神经网络结构的培训。

Jun, 2023

利用晶体表示学习框架 Orbital CrystalNet 预测材料性质，该框架包括原子描述符生成和图形表示学习两个部分，证明了该模型的有效性。

Oct, 2022

提出了一种针对晶体结构学习具有自我监督的预训练框架，通过互斥掩码策略和周期不变多图模块来解决晶体结构学习中标签不足和周期不变问题，并在 8 个不同的任务上进行了测试，结果表明该框架具有良好的预测性能。

Jun, 2023

使用机器学习进行材料或晶体属性预测在最近几年变得流行，它提供了一种计算效率高并替代了传统模拟方法的替代方案。本研究中，我们采用点对点距离分布（PDD）作为我们学习算法的表示方法，并通过一种空间编码方法将组成信息引入，从而开发了一个变压器模型，该模型在 Materials Project 和 Jarvis-DFT 数据库的晶体上经过测试，在训练和预测时间上表现出与最先进方法相当的准确度，并且速度更快数倍。

Jan, 2024