利用生成式深度学习从信息受损的衍射数据实现端到端结构解决方案
利用基于扩散模型的生成式机器学习模型，我们能够成功解决模拟的小至 10 安培、包含来自七个晶体系统的各种对称性和复杂性的 200 种材料的纳米晶体结构，并且能够处理真实实验中噪声扩散模式收集的结构解决方案，这表明数据驱动的方法将提供解决以前未解决的纳米材料结构的途径。
Jun, 2024
本研究提出了一种基于机器学习的方法，通过计算衍射图像并构建神经网络模型进行分类，可正确识别包括有缺陷的结构在内的超过 100,000 个模拟晶体结构的晶体对称性，为材料科学中的三维结构数据的晶体结构识别铺平了道路。
Sep, 2017
本研究针对开发新薄膜材料中最耗时的 X 射线衍射数据收集和分析提出了机器学习模型，该模型可以从有限数量的薄膜 XRD 模式中预测结晶维度和空间群，并使用模型无关的物理驱动数据扩充策略来克服材料开发中固有的稀缺数据问题，经过测试，该模型具有 93% 和 89% 的维数和空间群分类交叉验证精度。
Nov, 2018
本研究用深度学习的生成对抗网络方法，提出了 CubicGAN 模型以大规模生成新的立方晶体结构，在 375,749 个三元晶体材料的训练数据下发现 506 种新材料，通过 DFT 验证后发现有远超同类材料的功能特性，这一方法将极大的拓展现有的材料库，实现新型功能材料的快速筛选。
Feb, 2021
通过训练生成模型来加快科学发现并推动各个科学领域的重大进展，尤其是发现具备良好性能的新型无机材料是一项关键挑战，不同于文本或图像数据，材料，特别是晶体结构，由多种类型的变量组成，包括晶格矢量、原子位置和原子种类，本研究探索一种基于 Transformer 架构的新型扩散模型，用于生成具有所需性质的晶体结构，并证明我们的模型在多样性方面优于先前方法，而我们的实证结果表明，最佳条件方法因数据集而异。
Jun, 2024
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
使用机器学习生成模型生成具有所需性质（如化学稳定性和指定化学组成）的新晶体结构，并展示其在不同化学体系和晶体群中生成新候选结构的功能。
Oct, 2023
通过三维四面体网格生成的晶体结构，提出了一种名为 DeepCrysTet 的新型深度学习方法，用于预测材料属性，该方法在分类晶体结构和预测弹性性质方面表现出色，优于现有的图神经网络模型。
Sep, 2023