本文基于 Deep Learning 方法,开发一个新模型,能够更加有效的预测含有孔隙结构的晶体物质的热吸附性能,该模型能够考虑到晶体的空间对称性和孔隙结构,并且在实验验证中表现良好。
Apr, 2023
利用机器学习模型,通过气体混合物和吸附剂的物理特性向量,准确预测可炭分子筛膜内的单一和混合气体在聚合物和金属 - 有机框架两种类别材料中的吸附趋势,并提供预测复杂吸附过程的新方法。
Jun, 2024
该研究利用基于图的卷积神经网络模型进行预测和排名晶体金属有机骨架 (MOF) 吸附剂的气体吸附性能,其模型仅基于包含吸附剂材料候选物的标准结构输入文件。结果表明,该方法可以更精确地预测吸附性能,在运算速度更快、特征更少的情况下不失精度,更广泛地应用于工业规模下的气体捕捉过程的优化中。
Aug, 2022
本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法,可以在较小的训练集上提供高精度预测,并显著减少异常值误差,从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。
Sep, 2017
研究了使用机器学习预测和发现材料性质的方法,重点放在图神经网络上,并探讨了在忽略相对位置信息的情况下预测系统松弛能量的可行性,结果显示修改后的模型能够相对准确地预测系统的松弛能量。该研究为加速材料发现提供了未来的研究方向。
Oct, 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
通过将机器学习技术与可解释人工智能(XAI)相结合,我们的研究旨在构建一个坚固的框架,利用 OC20 等大型数据集,通过模型可解释性来改进催化剂设计。
May, 2024
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
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
使用机器学习插值位能函数和 Markov-chain Monte Carlo 采样方法,加快了多组分材料表面相图预测中的能量和统计抽样方法,可模拟复杂的材料表面并发现以前未报告的表面终止。
May, 2023