使用生成式人工智能、图形建模、大规模分子动力学模拟和极端规模计算相结合的新方法，加速发现高 CO2 容量的金属有机框架结构。

Jun, 2023

我们提出了一个全面的知识图谱问答材料科学（KGQA4MAT）的基准数据集，重点关注金属有机框架（MOFs）。通过整合结构化数据库和从文献中提取的知识，构建了金属有机框架知识图谱（MOF-KG）。为了提高专家查询 MOF-KG 的可访问性，我们旨在开发一个自然语言接口。我们开发了一个包含 161 个复杂问题的基准，涉及比较、聚合和复杂的图结构。每个问题重新表述为另外三个变体，总共有 644 个问题和 161 个 KG 查询。为了评估基准，我们开发了一种系统方法，利用 ChatGPT 将自然语言问题翻译成形式化的 KG 查询。我们还将该方法应用于著名的 QALD-9 数据集，展示了 ChatGPT 在不同平台和查询语言上解决 KGQA 问题的潜力。该基准和提出的方法旨在促进进一步研究和开发用户友好高效的领域特定材料科学知识图谱查询接口，从而加速新材料的发现。

Sep, 2023

利用知识图谱方法帮助金属有机骨架预测、发现和合成，主要围绕构建 MOF 知识图谱和利用该图谱发现新知识的挑战和案例研究展开。

Jul, 2022

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

通过活跃的迁移学习神经网络，利用有限的可得数据，设计了一种更有效的电催化材料，可用于捕获和减少二氧化碳排放以及其他气体分离和催化应用。

Nov, 2023

提出了一种基于扩散模型的 CG-MOF 结构生成方法，结合模拟生成了有效且新颖的 MOF 结构，并应用于碳捕获材料的设计。

Oct, 2023

本文提出了一种基于 Quantum Many-body 波函数（QMWF）的语言建模方法，可通过张量积模拟单词间的交互作用，并揭示了 QMWF 语言建模中使用卷积神经网络（CNN）的必要性，同时还提供了一个简单的文本 / 句子匹配算法。三个典型的问答（QA）数据集的系统性评估显示了所提出的 QMWF-LM 算法与最先进的受量子激励的 LMs 以及几种基于 CNN 的方法相比的有效性。

Aug, 2018

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

QMO 是一种基于机器学习的分子优化框架，可以利用一个分子自编码器中的潜在嵌入，并通过基于一组分子属性预测和评估度量的有效查询来改善输入分子的期望属性。在类似性约束下，QMO 在优化小有机分子的药物样性和溶解度的基准任务方面优于现有方法，并且在两个新的和具有挑战性的任务中也展示了显著的性能提升，即：(i) 将现有的潜在 SARS-CoV-2 主蛋白酶抑制剂优化为更高的结合亲和力；(ii) 改善已知的抗菌肽的毒性。QMO 的结果与外部验证具有高一致性，为设计约束下的材料优化问题提供了有效的手段。

Nov, 2020

基于深度学习的生成模型和密度泛函理论，我们通过学习和利用显式和隐式化学知识，提出了一种材料组成和结构设计的方法。通过深度扩散语言模型生成组合，并应用基于模板的晶体结构预测算法预测相应的结构，然后使用基于通用图神经网络的势函数进行结构弛豫。通过密度泛函理论的计算和能量分析验证了我们的方法，并发现了六种新的具有负能量生成焓的材料，证明了我们方法的有效性。

Sep, 2023