本文介绍了一种基于神经网络的分子动力学模拟与机器学习结合的方法，用于准确计算和预测石墨烯的热力学性质和力学性能，从而可用于石墨烯材料的设计。

Jun, 2023

本研究基于局部化学环境和贝叶斯统计学习的机器学习模型，提供了一个统一的框架，可以预测原子尺度的稳定性和不同类别的分子的化学精度，可以区分活性和非活性的蛋白质配体，这种方法可以对材料和分子的势能面提供新的洞察。

Jun, 2017

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

为了适应深空环境的恶劣条件，拥有灵活的物理化学性质并随需改变的材料将在定义未来的太空探索中变得至关重要。本文提出了一种基于计算机图形表示的方法来设计具有所需材料属性的结构，该方法使用自动微分来调整晶格元素的几何结构和属性。

Apr, 2023

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

提出了 MatSci ML，这是一个用于建模具有周期晶体结构的固态材料的机器学习（MatSci ML）方法的新型基准。使用机器学习方法研究固态材料是一个新兴领域，由于使用不同种类的数据集来开发机器学习模型，导致了碎片化的情况，使得比较不同方法的性能和泛化能力变得困难，从而阻碍了该领域的研究进展。MatSci ML 基准建立在开源数据集的基础上，包括 OpenCatalyst、OQMD、NOMAD、Carolina 材料数据库和 Materials Project 等大规模数据集，为模型训练和评估提供了多样化的材料系统和属性数据，包括模拟能量、原子力、材料能隙，以及通过空间群对结晶对称性进行分类的数据。MatSci ML 中的属性多样性使得实施和评估固态材料的多任务学习算法成为可能，而数据集的多样性则促进了跨多个数据集开发新的更广义的算法和方法。在多数据集学习环境中，MatSci ML 使研究人员能够结合来自多个数据集的观测结果，进行共同预测共同属性，如能量和力。使用 MatSci ML，我们评估了不同的图神经网络和等变点云网络在涵盖单一任务、多任务和多数据学习场景的几个基准任务上的性能。我们的开源代码可在指定的 https URL 上找到。

Sep, 2023

通过图神经网络模型，基于骨杈格构造了高阶张量来预测周期性结构的刚度特征，并通过比较错误度量验证了等变性和能量守恒的优点，表明预测性能提高且训练需求减少。

Jan, 2024

通过机器学习方法进行端到端基于结构的方法加速预测材料的导热性的研究，从而更有效地扩大已有数据集的规模。我们评估了目前最先进的机器学习模型在扩展数据集上对导热性预测的性能，并观察到所有这些模型都存在过拟合的问题。为了解决这个问题，我们引入了一种新颖的基于图的神经网络模型，它在所有评估的数据集上表现出更一致和规范化的性能。然而，测试数据集上达到的最佳平均绝对百分比误差仍然处于 50-60% 的范围内。这表明，虽然这些模型对于加速材料筛选是有价值的，但它们目前的准确性仍然有限。

Nov, 2023

利用机器学习技术预测高熵合金的相和晶体结构，采用相关系数选择高预测准确度的特征，并使用五种不同的提升算法提供了改进相和晶体结构预测精确度的指南。其中，XGBoost 对相的预测准确度达到 94.05％，LightGBM 对晶体结构的预测准确度达到 90.07％，并对模型准确度受参数影响的量化及单个参数在相和晶体结构预测过程中的贡献提出了新方法。

Sep, 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