揭示人工智能在纳米材料形态预测中的潜力

May, 2024

揭示人工智能在纳米材料形态预测中的潜力

Unveiling the Potential of AI for Nanomaterial Morphology Prediction

Ivan Dubrovsky, Andrei Dmitrenko, Aleksei Dmitrenko, Nikita Serov, Vladimir Vinogradov

TL;DR该研究探索了 AI 在数据可用性限制下预测纳米颗粒形态的潜力，通过建立一个双倍于类似研究的新的多模态数据集，系统评估了经典机器学习和大型语言模型在纳米材料形状和尺寸预测方面的性能，并最后用一个文本到图像系统进行了原型设计，讨论了所得到的经验结果以及现有方法的局限性和潜力。

Abstract

Creation of nanomaterials with specific morphology remains a complex experimental process, even though there is a growing demand for these materials in various industry sectors. This study explores the potential of ai

nanomaterials morphology prediction ai machine learning text-to-image system

发现论文，激发创造

纳米尺度显微镜中的人工智能可视化

本文研究灵活使用 AI 技术在纳米材料表征领域，以卷积自编码器为基础，探索可解释的人工智能提取纳米材料形态特征的新方法，并实现了一个开放的平台用于纳米材料图像的深度可视化研究。

Jan, 2022

基于机器学习的二嵌段共聚物形态预测

用机器学习方法加速计算大域上长时间尺度下的块聚合物形态演化。通过分离粗粒化颗粒演化的特征时间和介观尺度上的缓慢形态演化，利用粒子模拟直接学习随机驱动的缺陷消除过程。采用支持不同边界条件的 UNet 架构，允许任意形状的周期和固定基底边界条件。通过损失函数引入物理概念，数据增强引入对称性，有效性经三个不同的用例验证，可可视化时空演化，研究不同形态限制下的缺陷密度及其演化。在应用方面，展示了访问后期形态对理解单个块内粒子扩散的重要性。对于微电子、电池材料和膜的定向自组装和材料设计有重要意义。

Aug, 2023

加速无机表面的机器学习预测与原子间势

固态材料的表面性质对其功能起着重要作用，表面性质是由材料合成或操作条件决定的，计算表面科学方法和机器学习算法在研究复杂的纳米尺度的无机表面具有很大的潜力。

Dec, 2023

基于代理的从科学文献中学习材料数据集

通过使用大型语言模型（LLMs）创建化学家 AI 代理程序，本研究克服了通过自动创建从自然语言文本中提取结构化数据集所面临的质量和一致性问题、可扩展性限制、以及人为错误和偏见的风险，进而简化了各种材料发现应用的机器学习数据集的编制，以及对自然语言处理工具的易用性提升。

Dec, 2023

材料专家 —— 材料发现的人工智能

通过机器学习将操作性直觉转化为可量化描述符，以及通过结构信息指示的容限因子，研究和发现拓扑半金属等材料。

Dec, 2023

150 万个材料叙述由聊天机器人生成

人工智能和自然语言数据集为探索固态材料提供了巨大潜力。