May, 2024

用单个深度学习模型预测晶体的多个性质

PDF
TL;DR本研究介绍了一种基于 Transformer 的适应性框架 CrystalBERT，该框架整合了空间群、元素和晶胞信息，能够准确预测各种物理重要性质，包括拓扑性质和超导过渡温度等，同时提供具有洞察力的对目标物性影响最显著的特征的物理解释。通过结合各种特征，模型在拓扑分类中实现了 91% 的高准确率，超过以往研究，并识别了先前被错误分类的拓扑材料，进一步证明了我们模型的有效性。
发现论文，激发创造
  • 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

  • 无限连接的注意力用于周期结构编码

    从晶体结构预测材料的物理性质是材料科学中的一个基本问题。本文介绍了一种无限连接的注意力网络，可以在一个深度学习的特征空间中执行无限的原子间势能求和，并提出了一种名为 Crystalformer 的基于 Transformer 的编码器架构，它只需要原有 Transformer 架构的 29.4% 参数，但在不同的性质回归任务中都表现出比现有方法更好的结果。

    Mar, 2024

  • 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

  • LLM-Prop: 从文本描述预测晶体固体的物理和电子性质

    开发出一个名为 TextEdge 的基准数据集，包含了关于晶体结构及其性质的文本描述，并提出了一种名为 LLM-Prop 的方法，利用大型语言模型（LLMs）的通用学习能力，从晶体的文本描述中预测其物理和电子性质，并在预测带隙、分类带隙是否为直接或间接和预测晶胞体积方面的性能优于现有最先进的基于 GNN 的晶体性质预测模型。

    Oct, 2023

  • 多孔晶体材料的等变网络

    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

  • 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

  • 晶体材料性质预测的完备高效图转换器

    基于晶格方式建立晶体原子的晶格表示来有效地捕捉晶体的完整几何信息并处理手性晶体是一个挑战，本文提出了 ComFormer，一个专门针对晶体材料设计的 SE (3) 变压器，其包括 iComFormer 和 eComFormer 两个变体，并在三个广泛使用的晶体基准上展示出了 ComFormer 变体的最新预测准确性。

    Mar, 2024

  • 基于空间群信息的晶体材料生成变压器

    CrystalFormer 是一种基于 Transformer 的自回归模型，专门用于由空间群控制的晶体材料生成，其利用空间群对晶体空间进行了显著简化，通过直接预测单元胞中对称不等价原子的种类和位置来生成晶体，实验结果显示 CrystalFormer 在生成晶体材料的有效性、新颖性和稳定性方面与最先进的性能相匹配，并且可以从数据中准确地提取出合理的固态化学信息用于生成建模，它的简单性、通用性和灵活性使其成为整个晶体材料空间的基础模型，开启了材料建模和发现的新时代。

    Mar, 2024

  • 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

  • AlloyBERT：利用大型语言模型进行合金性能预测

    使用文本输入预测合金的弹性模量和屈服强度，AlloyBERT 是一种基于变压器编码器的模型，使用 RoBERTa 作为基础，通过自注意机制建立单词之间的关联，实现对合金属性的预测。

    Mar, 2024