本研究提出了一种新的基于机器学习的数值模拟工作流，通过深度神经网络构建局部态密度来计算一系列相关量，包括可用作原子的Born-Oppenheimer势能面的总自由能，从而实现了在计算速度和规模上远超传统方法的多尺度材料建模。

Oct, 2020

研究论文介绍了材料信息学作为一种第四范式的材料科学研究方法，并通过应用多种神经网络拓扑结构、逻辑公理和推理信息科学，发展出了面向半导体工业的新型有机半导体发现的数据驱动程序，并为材料科学界提供了知识提取。

May, 2023

使用机器学习插值位能函数和Markov-chain Monte Carlo采样方法，加快了多组分材料表面相图预测中的能量和统计抽样方法，可模拟复杂的材料表面并发现以前未报告的表面终止。

May, 2023

利用机器学习、生成模型和神经网络为基础的势函数，通过拓展系综分子动力学获得大范围液态和固态配置来加速势函数开发，并提升材料设计和发现的能力。

Nov, 2023

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

利用机器学习技术预测材料性质是一个关键的研究课题。本文提出了一种数值推理方法用于材料知识图谱，通过构建跨模态知识图谱并利用图神经网络来预测材料性质，实现了处理跨模态数据、挖掘关系和跨模态信息、充分利用实验数据的目标。文章还引入了两个新的高熵合金属性数据集，并展示了该方法在材料数据集和物理化学分子数据集上相对于最先进方法的改进，突出了其潜在应用和普适性。希望提出的数据集、算法和预训练模型能促进知识图谱和人工智能在材料领域的发展。

Dec, 2023

借助机器学习模型，加速了对高熵材料空间的研究，通过调整和微调预训练的模型，实现了高精度的吸附能推断，并且发现基于环境的能量过滤和少样本微调可以显著改善零样本推断。

Mar, 2024

利用LatticeML应用通过机器学习加速高温图形化材料的设计和优化，预测热性能材料的有效弹性模量，并使用Streamlit框架创建交互式网页界面

Apr, 2024

提出了一个信息论框架，将原子尺度模拟、机器学习和统计力学结合起来，通过建立相图、识别稀有事件、对数据集进行优化、以及进行模型无关的不确定性量化，统一描述了原子尺度建模中的信息相关问题。

Apr, 2024

通过协同异构的多智能体系统，AtomAgents平台提供了一个综合的、面向物理模拟结果的理解和预测框架，用于解决复杂多目标设计任务，包括合金设计和材料改性领域的应用。

Jul, 2024