Aug, 2024

跨多尺度特征的不变发现：显微镜和自主材料表征的应用

HTML
PDF
TL;DR本文研究了如何有效提取和解释包含重要数据的物理成像信息，尤其是面临有效描述局部结构的挑战。提出的尺度不变变分自编码器（SI-VAE）在不同长度尺度下进行训练，能够发现系统的尺度依赖变异因素，具有广泛应用潜力，包括自动实验以及材料属性发现等。
发现论文，激发创造
  • 基于图卷积神经网络的材料空间分层可视化

    结合高通量计算和机器学习开展的材料设计新范式的研究，开展了通过图卷积神经网络的不同层的表示学习在任意材料空间内分层可视化材料的组成和结构相似性的统一框架，为材料空间探索提供了新技术，该方法可以帮助过渡到自动化材料设计的数据中心探索。

    Jul, 2018

  • 周期性物质生成的晶体扩散变分自编码器

    本文介绍了一种基于材料稳定性物理感应偏差的晶体扩散变分自编码器，通过学习稳定材料的数据分布，生成具有物理约束的材料周期结构，其在重构输入结构，生成有效、多样、真实材料以及生成优化特定特性的材料方面胜过现有方法，并提供了标准数据集和评估指标。

    Oct, 2021

  • 对偶变分自编码器（PairVAE）用于链接和交叉重构来自互补结构表征技术的表征数据

    本文介绍了一种基于小角X射线散射和扫描电子显微镜数据的机器学习工作流PairVAE，能够根据一个样本的SAXS 2D图案生成SEM图像，反之亦然。该方法可扩展到其他软材料形态，并为其他下游结构-性能关系的计算创建数据库。

    May, 2023

  • 扩散概率模型增强变分自编码器用于晶体结构生成建模

    利用扩散概率模型(DP模型)代替标准评分匹配，DP-CDVAE模型能够重构和生成与原始CDVAE质量统计上可比的晶体结构，并且显著地提高了能量准确性，更好地表示晶体的基态构型。

    Aug, 2023

  • 优化空间统计学空间中学习微结构的潜变量表示

    在材料科学中，通过训练变分自动编码器(VAE)来重建材料的空间统计特征，从而获得材料的低维表示。

    Feb, 2024

  • 利用多模式先验的VAE-回归进行材料微结构设计

    我们提出了一种基于变分自编码器 (VAE) 的模型，用于构建前向和逆向的结构-性质联系，这是计算材料科学中至关重要的问题。我们的模型通过一个双层先验条件于回归变量来系统地结合VAE和回归模型。回归损失与变分自编码器的重构损失一起进行优化，学习与属性预测和重构相关的微观结构特征。该模型可以用于前向和逆向预测，即预测给定微观结构的属性以及预测获取给定属性所需的微观结构。由于逆向问题存在不适定性（多对一关系），我们使用多模态高斯混合先验导出了目标函数，使模型能够推断出多个适用于一组目标属性的微观结构。我们显示，在前向预测方面，我们的模型与最先进的仅前向模型一样准确。此外，我们的方法实现了直接逆向推断。我们表明，使用我们的模型推断的微观结构能够相当准确地实现所需的属性，避免了昂贵的优化过程。

    Feb, 2024

  • 贝叶斯协同导航: 通过主动学习实现材料数字孪生动态设计

    通过贝叶斯共同导航理论模型空间和实验来实现理论在循环中的集成，以减小实验对象空间的认识不确定性，进而创建包括关联部分和理论模型本身的材料结构数字孪生体，具有广泛的应用前景。

    Apr, 2024

  • 基于物理的微观图像分析与奖励驱动

    基于奖励函数和贝叶斯优化的方法用于动态优化图像分析工作流程，并与经典的深度卷积神经网络（DCNN）分割进行对比，结果表明在附加噪声的情况下，经过优化的拉普拉斯-高斯（LoG*）方法与DCNN具有可比性，提供实时优化复杂分析工作流程的更高速度和较低计算成本，确保获得精确而符合人工定义目标的结果。

    Apr, 2024

  • 基于反向变分自编码器的化学无序材料分区函数的生成方法

    本研究解决了化学无序材料的原子尺度性质计算中配置空间探索效率低的问题。我们提出了一种新颖的生成性机器学习方法，通过反向变分自编码器生成代表性配置集合，以进行高效的性质评估和原子尺度属性的准确估算。我们的研究展示了该方法在(U, Pu)O2混合氧化物燃料中计算点缺陷形成能和浓度的应用，具有广泛的潜在影响，可用于探索其他材料的原子尺度扩散系数等性质。

    Aug, 2024

  • 基于解缠变分自编码器的数据高效且可解释的逆材料设计

    本研究解决了逆材料设计中因材料特性纠缠导致的设计过程模糊性问题。提出了一种基于解缠变分自编码器的半监督学习方法，能够有效整合标签和未标签数据并利用专家先验分布提高模型的鲁棒性。实验结果表明，该方法在处理高熵合金数据集时具有优越的可解释性和数据效率，为多目标逆材料设计提供了可扩展性。

    Sep, 2024