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

我们提出了一种基于集成学习的方法，用于预测晶体材料的形成能量和弹性常数，通过分子动力学计算的物性作为输入，集成学习结果比传统的原子势能方法更准确。

Jul, 2023

基于机器学习的势场吸引着越来越多的关注，因为它们能够以量子级准确度跨越经典间原子势场的时空尺度。本研究利用密度泛函理论计算和实验测量的力学性能及晶格参数来训练钛的机器学习势能模型，证明了融合数据学习策略能够同时满足所有目标要求，从而获得比单一数据来源训练的模型更高准确性的分子模型。该方法适用于任何材料，可作为获取高度精确机器学习势能的通用策略。

Aug, 2023

数据驱动技术与物理近似相结合的例子展示了机器学习在电子结构计算中的应用，从而提高了模型的可迁移性和可解释性，节省了计算成本，并为发展机器学习增强型电子结构方法提供了蓝图。

Nov, 2023

应用机器学习技术，以 Kohn-Sham 带隙和元素和晶体结构等基本信息为预测因素，建立预测模型，预测了 156 种 AX 二元化合物的 G0W0 带隙，最佳模型为非线性支持向量回归，均方根误差为 0.18eV，这种方法估算的大量带隙有望用于材料开发。

Sep, 2015

对涉及相互作用缺陷的系统的自由能变化进行预测的三种不同方法的比较研究表明，簇展开模型可以在有限的数据集上精确预测能量学，同时使用簇展开模型生成的近似密度泛函理论的合成数据集对使用图神经网络训练准确预测模型的数据需求进行了评估，为在不完美的表面系统中应用机器学习技术提供了初步评估。

Mar, 2024

结合现代科学计算和电子结构理论，基于深度多任务人工神经网络的机器学习模型能够对上千个有机分子的多个电子基态和激发态性质进行预测，从而实现对合成可及的虚拟化合物库的高通量筛选，成本极低且准确度与现代量子化学方法相当甚至更优。

May, 2013

通过机器学习和 kernel ridge regression 方法，提出一种快速且准确的预测 DFT 哈密顿量的方法，可适用于各种所需的材料系统，并与 DFT 计算结果进行比较。

Sep, 2016

机器学习技术在计算化学中的应用被认为是加速原子模拟和材料设计的无可或缺的工具。此外，机器学习方法有潜力提高计算效率高的电子结构方法（如密度泛函理论）的预测能力，纠正密度泛函方法中的基础错误。本文回顾了机器学习在提高密度泛函和相关近似方法准确性方面的最新进展，并通过将有希望的模型应用于训练集之外的系统的例子，讨论了构建适用于不同化学和材料类别的可迁移学习模型的前景和挑战。

Nov, 2023

通过基于图的神经网络（Graph-based neural networks）和消息传递神经网络（message-passing neural networks，MPNNs），我们训练了一个 MPNN，首先使用 AFLOW 数据库中的密度泛函理论数据对材料进行分类，区分金属和半导体 / 绝缘体。然后，我们进行了神经架构搜索，探索 MPNN 的模型架构和超参数空间，以预测非金属材料的能带间隙。通过搜索的最佳模型组成了一个集合，其性能明显优于现有文献中的模型。利用蒙特卡洛 Dropout 和集成方法对不确定性进行了评估，其中集成方法表现出更好的结果。我们还分析了集成模型的适用领域，比如晶体系统、密度泛函计算中是否包含 Hubbard 参数以及构成材料的原子种类。

Sep, 2023