利用机器学习统一分子筛膜和金属有机骨架材料中的混合气体吸附
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
研究了使用机器学习预测和发现材料性质的方法,重点放在图神经网络上,并探讨了在忽略相对位置信息的情况下预测系统松弛能量的可行性,结果显示修改后的模型能够相对准确地预测系统的松弛能量。该研究为加速材料发现提供了未来的研究方向。
Oct, 2023
通过分析 150 个具有 10 个金属节点和 15 个有机配体的假设金属 - 有机框架(MOF)结构,我们比较了不同的 QNLP 模型来处理 MOF 数据集,确定了最有效的方法,并开发了适用于量子电路概率性质的多类别分类模型,展示了使用量子计算进行材料设计的潜力。
May, 2024
通过将机器学习技术与可解释人工智能(XAI)相结合,我们的研究旨在构建一个坚固的框架,利用 OC20 等大型数据集,通过模型可解释性来改进催化剂设计。
May, 2024
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
准确预测分子性质是药物发现中的一个具有挑战性但必不可少的任务。最近,多模态深度学习方法成功应用于分子性质预测,以克服传统单模态学习方法的局限性并提升模型在准确性、可靠性和抗噪性方面的表现。
Dec, 2023
MolIG 是一种多模态分子预训练框架,通过图像和图结构创新地利用分子图和分子图像之间的一致性和相关性执行自监督任务,有效地将两种分子表示形式的优势融合在一起,这种整体方法能够捕捉关键的分子结构特征和高层次的语义信息,并在分子拓展组和 ADMET 拓展组等基准组中,相对于先进的基线模型展现出在分子性质预测等拓展任务中性能的提升。
Nov, 2023