Jul, 2024

AtomAgents: 通过物理感知的多模态多代理人人工智能实现合金设计与发现

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 基于生成检索增强的本体图和多智能体策略的解释性大型语言模型材料设计

    使用Transformer神经网络和大型语言模型进行材料分析、知识生成和力场开发的研究。

    Oct, 2023

  • 神经网络潜力函数的数据提炼对基础数据集的研究

    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

  • 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

  • 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

  • LatticeML：一种预测基于高温图形化材料的有效杨氏模量的数据驱动应用

    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

  • LLMatDesign：基于大型语言模型的自主材料发现

    LLMatDesign是一个基于大型语言模型的可解释材料设计框架，通过使用LLM代理来翻译人类指令、修改材料并使用提供的工具评估结果，以零样本的方式适应新任务和条件，通过在几个材料设计任务上系统评估证实其在小数据领域中开发具有用户定义目标属性的新材料的有效性，展示了在计算环境中基于自主LLM引导的材料发现对于未来的自动化实验室的显著潜力。

    Jun, 2024

  • 火箭与电子之间的高效材料信息学

    通过基于材料信息学的基础理解、部署策略以及自主或半自主扩展，将人工智能应用于密度泛函理论和CALPHAD热力学方法中，建立了高度通用的多层次发现基础设施，旨在解决多种材料设计问题，展示了多合金功能梯度材料的设计及其应用于降低CO2排放的气体涡轮机和喷气发动机效率增加以及高超声速飞行器的研究。

    Jul, 2024

  • HoneyComb：基于灵活的LLM的材料科学代理系统

    本研究针对传统大型语言模型在材料科学任务中的局限性，提出了HoneyComb，一个专门为材料科学设计的LLM代理系统。通过结合高质量的材料科学知识库（MatSciKB）和先进的工具中心（ToolHub），HoneyComb能显著提高材料科学任务的推理和计算能力，并在多个任务中显著超越基线模型，展现出其在推动科学研究和应用中的广泛潜力。

    Aug, 2024

  • SciAgents：通过多智能体智能图推理自动化科学发现

    本文解决了人工智能在自主推进科学理解方面的挑战，提出了SciAgents这一新方法，使用大型本体知识图谱和多智能体系统。研究发现，该框架能够揭示生物材料领域中隐藏的跨学科关系，超越传统人驱动研究方法的规模和精度，为材料发现和先进材料的发展开辟了新渠道。

    Sep, 2024

  • 超越设计师的知识：通过大型语言模型生成材料设计假设

    本研究解决了材料设计中人类假设的局限性，尤其是在多学科专业知识不足的情况下。通过引入大型语言模型（LLM）和提示工程，研究展示了如何生成有效的材料设计假设，实验证明这些假设在2023年已被验证并具有高价值。此方法促进了数据整合和假设评估，推动了人工智能驱动的材料发现新方向。

    Sep, 2024