该论文提出了一种基于增强学习的深度学习方法来增强组合优化启发式的能力，并在多个自旋玻璃基态问题中进行了实验，展示了该方法相对于其它启发式方法的优越性。

Feb, 2023

Matbench Discovery通过部署机器学习（ML）能源模型在高通量搜索稳定无机晶体中模拟。我们解决了（i）热力学稳定性与形成能之间的脱节和（ii）域内与域外的性能之间的差异问题。通过本文和我们的Python包以及在线排行榜，我们探索了各个性能指标之间的权衡，回答了在材料发现方面哪种ML方法表现最佳的问题。我们发现在热力学稳定性预测的测试集F1得分中，CHGNet > M3GNet > MACE > ALIGNN > MEGNet > CGCNN > CGCNN+P > Wrenformer > BOWSR > Voronoi tessellation fingerprints with random forest。前三个模型是UIPs，是ML引导材料发现的获胜方法，其晶体稳定性分类的F1得分达到了约0.6，并且在与我们的测试集的前10000个最稳定预测的虚拟选择相比，发现加速因子（DAF）最高可达5倍。我们还强调了常用的全局回归指标与更具任务相关性的分类指标之间的明显差异。准确的回归器如果那些准确的预测接近0 eV/原子的凸包上的决策边界，那么它们就容易出现意外高的假阳性率，而大多数材料都是接近该边界的。我们的结果突显了需要关注与提高稳定性命中率实际相关的分类指标。

Aug, 2023

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

该研究介绍了一种基于组成-结构双模态学习的多模态机器学习方法，用于提高实验测得的材料性质的学习和预测，同时通过数据增强技术，显著减小了材料性质的预测误差。

Aug, 2023

加速材料发现对缓解气候危机具有潜力。我们介绍了一种名为Crystal-GFlowNet的晶体结构生成模型，它能够灵活地加入物理和几何约束，并使用预测模型作为目标函数。通过在MatBench上训练的代理模型对结晶能进行预测，我们评估了Crystal-GFlowNet的能力，结果表明它能够生成结晶能较低的多样化晶体。

Oct, 2023

本研究中，我们提出了一种基于图神经网络的学习方法，使用自编码器来从实验晶体结构中观测到的特征中得出低维变量。然后，通过增强采样来偏置这些变量，以观察状态间的转换和可靠的热力学权重。我们的方法使用简单的卷积和池化方法。为了验证我们的协议的有效性，我们考察了各种铁和甘氨酸同素异形体和多晶体从熔融态到化合物相的核化过程。通过合理温和的元动力学，我们的图潜变量始终显示状态间的转换，并且在与实验一致的自由能计算中取得准确的结果，这两个结果都是可靠采样的指标。这突显了我们的图神经网络变量在改进采样方面的力量和潜力。此处展示的协议对于其他系统和其他采样方法应适用。

Oct, 2023

现实世界材料研究中，机器学习模型通常被期望能够预测和发现与已知材料不同的新颖材料。本研究在物性预测模型性能评估中提供了客观评价，在超出训练集分布的材料中预测模型的性能。通过在三个基准数据集上对基于结构的图神经网络的广泛实验，我们发现当前最先进的图神经网络算法在超出分布的物性预测任务上与基线模型相比表现明显不足，展示了在现实材料预测任务中关键的泛化差距。我们进一步研究了这些图神经网络模型的潜在物理空间，并鉴定出CGCNN、ALIGNN和DeeperGATGNN相对于MatBench研究中目前最佳模型（coGN和coNGN）在超出分布的任务上更为稳健的性能，并提供了改进性能的见解。

Jan, 2024

利用图神经网络模型原子图结构，并研究结构与相应的局部能垒之间的关系，以改善金属玻璃材料物理性质的预测，并应用图解释算法揭示金属玻璃材料的结构-性质关系。

Dec, 2023

通过使用视觉基础模型，我们提出了一个名为GEM的简单玻璃表面分割器，该分割器能够自适应地识别玻璃表面特征，并在GSD-S验证集上达到了新的最佳性能（IoU+2.1%）。

Jan, 2024

本研究解决了机器学习力场（MLFF）在固态材料研究中泛化能力不足的问题。通过训练图神经网络（GNN）MLFF以描述未包含在训练数据中的固态现象，结果表明该方法能够有效预测固态特性，与参考数据高度一致。这一成果为MLFF在复杂固态材料研究中的可靠应用奠定了基础。

Sep, 2024