本文提出了一个全面的质量多样性优化算法统一框架，探讨了该算法族群的大量变体，并提出了一种新的集合管理机制解决了在使用无结构的集合时观察到的侵蚀问题，同时还提出了使用质量多样性优化算法的新的选择机制，其性能比本文测试的所有算法都要好，这三个贡献都得到了质量多样化算法在三个不同实验场景下的广泛实验比较的支持。

May, 2017

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

在本文中，我们通过建立基于现有晶体结构数据库的晶体形成能量的代理模型，并对其参数进行优化的方法，提出了一种替代的数据驱动晶体结构预测方法。通过在晶体结构的非欧几里得空间中进行优化，我们展示了该方法在结构预测成功率方面与最佳现有方法相当，并大幅度减少了计算成本。

Oct, 2023

本研究提出了一种新的多目标优化方法，将 MAP-Elites 算法中的多样性与多目标优化相结合，通过使用 Pareto Front 填充每个单元格，能够在描述符空间中提取多样性解，并在探索不同目标之间的折衷方案时提供全局性能优异的解决方案。

Feb, 2022

AlphaCrystal-II 利用已知的晶体结构中丰富的原子间相互作用模式，预测目标晶体材料的原子距离矩阵，并利用该矩阵重构其三维晶体结构，通过全面的实验验证，展示了数据驱动方法在加速新材料的发现和设计中的潜力。

Apr, 2024

在机器学习的原子间势（MLIPs）领域中，研究数据偏差、特别是构象和结构多样性与模型泛化之间的复杂关系对于改善量子力学（QM）数据生成的质量至关重要。我们通过两个不同的实验来研究这些动态：一个是固定预算的实验，其中数据集大小保持恒定；另一个是固定分子集的实验，它着重于固定结构差异而变化的构象多样性。我们的结果揭示了泛化度量中的微妙模式。值得注意的是，要实现结构和构象的最佳泛化，需要在结构和构象多样性之间谨慎平衡，但现有的 QM 数据集不能满足这种权衡。此外，我们的结果突显了 MLIP 模型在超出其训练分布的泛化能力的局限性，强调了在模型部署期间定义适用领域的重要性。这些发现为 QM 数据生成工作提供了宝贵的见解和指导。

Oct, 2023

本文提出了一种基于多模态 Transformer 的方法，通过整合来自晶体材料和能级的异构信息，建模晶体材料中原子与能级之间的复杂关系，用于预测态密度。在多种真实场景下进行的广泛实验表明 DOSTransformer 具有卓越的优势。

Oct, 2023

基于混合连续、离散和类别贝叶斯优化策略，提出了一种新的质量多样性方法论，用于处理复杂工程设计问题，并减少计算成本。

Sep, 2023

使用 ParetoCSP 算法和神经网络相互作用势模型，结合多目标遗传算法（MOGA）和全局通用相互作用势模型（IAP），准确预测晶体结构和化学组合。与现有算法相比，ParetoCSP 在性能和结构有效性方面表现出更好的预测能力。

Sep, 2023

本研究探讨晶体结构预测（CSP）相关问题，并采用形式证明的方式证明了此类问题为 NP-Hard 问题。重点研究了去除部分离子以得到最小电位能的问题。研究结果为三维欧几里得空间中嵌入加权图的计算问题分析做出了重要贡献。

Oct, 2019