Apr, 2024

AlphaCrystal-II：基于距离矩阵的晶体结构预测与深度学习

PDF
TL;DRAlphaCrystal-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。
computational predictioncrystal structuresmaterial compositionab initio crystal structure predictiondeep learning approaches
发现论文，激发创造
  • 基于深度学习的晶体结构洞见性分类

    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

  • 基于数据驱动的评分模型生成具有自适应晶胞的稳定结构

    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

  • 利用轨道信息与原子特征的深度学习模型

    利用晶体表示学习框架 Orbital CrystalNet 预测材料性质，该框架包括原子描述符生成和图形表示学习两个部分，证明了该模型的有效性。

    Oct, 2022

  • DeepCrysTet：基于四面体网格的深度学习方法用于预测晶体材料的性质

    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

  • 水晶材料属性预测的晶体特定预训练框架

    提出了一种针对晶体结构学习具有自我监督的预训练框架，通过互斥掩码策略和周期不变多图模块来解决晶体结构学习中标签不足和周期不变问题，并在 8 个不同的任务上进行了测试，结果表明该框架具有良好的预测性能。

    Jun, 2023

  • 数据驱动的晶体结构预测的潜在保守目标模型

    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

  • 利用神经网络势能和年龄适应 Pareto 遗传算法进行晶体结构预测

    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

  • 晶体物性预测的完整原子势近似有效算法

    本文提出了一种通过建立完整的原子间势能模型来准确地表示晶体材料中无限重复模式和远距离原子相互作用的机器学习方法，并将这种方法与消息传递神经网络结合，经实验证明在材料项目基准测试中，该方法具有稳定的性能提高和合理的计算成本。

    Jun, 2023

  • 晶体图卷积神经网络用于材料性能的准确和可解释的预测

    本论文提出利用晶体图卷积神经网络 (CGCNN) 可直接从晶体原子之间的联系学习材料物性，有效提高了晶体材料设计的效率，并能够提取局部化学环境对全局物性的贡献，为晶体材料的设计提供了经验规则。

    Oct, 2017

  • 生成对抗网络在晶体结构预测中的应用

    本文提出并应用了一种基于生成对抗网络的晶体结构生成模型，经过高通量虚拟筛选，成功预测出 23 个具有良好光稳定性和能隙的新型结晶体结构，并在化学空间中发现了未知的化学结构。

    Apr, 2020