本研究探讨了机器学习在材料科学领域中能否通过使用原子系统的波尔轨道小波散射变换为机器学习模型提供足够多的对称性、平滑性和不变性特征，以扩充模型在直至训练样本中不存在的性质预测方面的适用性。在小分子和大块非晶态Li alpha Si的体系中，使用小波散射系数作为特征的机器学习模型已经在相同的计算成本下，成功地实现了与密度泛函理论相当的精度。本研究进一步探讨了通过特征选取方法减少过度拟合的理论基础，以提高力学常数和迁移能等未出现在训练集中的性质预测精度。

Jun, 2020

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

本文提出了一种通过建立完整的原子间势能模型来准确地表示晶体材料中无限重复模式和远距离原子相互作用的机器学习方法，并将这种方法与消息传递神经网络结合，经实验证明在材料项目基准测试中，该方法具有稳定的性能提高和合理的计算成本。

Jun, 2023

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

利用连续和可微调的化学自由度在原子材料模拟中引入了化学元素和相应的权重，并对MLIP的消息传递和读取机制进行了修改，实现了材料组成状态之间的平滑插值，为优化固溶体组成、进行化学自由能模拟以及表征复杂材料系统的相稳定性提供了新途径。

Apr, 2024

在这项研究中，我们发现普遍的机器学习相互原子势（MLIPs）存在潜在的能量面（PES）软化效应，该效应可以通过微调一个额外数据点来有效解决，这表明一部分uMLIP的错误是高度系统化的，可以高效地修正，从而解释了基于MLIP的数据高效微调改善的普遍观察。我们提出了对下一代基础MLIPs的全面材料数据集的重要性。

May, 2024

数据驱动的机器学习模型通常基于灵活而非物理函数，可以将原子排列的微妙方面与能量和力的预测联系起来。我们的研究挑战在于化学环境描述符通常是稀疏的高维对象，缺乏明确定义的连续度量。我们通过经典的统计实验规划和最优设计方法来解决这个问题，以减轻狭窄和偏见采样的陷阱，并评估数据的信息量，确保训练集是否可行。这种方法易于实施，不需要复杂的框架或高性能计算。

May, 2024

利用基于扩散模型的生成式机器学习模型，我们能够成功解决模拟的小至10安培、包含来自七个晶体系统的各种对称性和复杂性的200种材料的纳米晶体结构，并且能够处理真实实验中噪声扩散模式收集的结构解决方案，这表明数据驱动的方法将提供解决以前未解决的纳米材料结构的途径。

Jun, 2024

本研究解决了机器学习原子势能（MLIPs）中训练数据生成优化的挑战，特别是在数据多样性对模型性能影响的研究中。通过分析超快速力场（UF$^3$）在建模非晶氮化硅中的表现，发现既不足又过度的数据多样性都会降低模型的模拟精度，提出了根据特定应用优化训练数据的重要性。

Sep, 2024

本研究解决了机器学习原子势在训练集不足时可能导致在强非谐材料中动态描述不准确的问题。通过将分子动力学与主动学习相结合，该方法有效地提高了数据的利用效率，并能更好地捕捉复杂的相空间区域。研究表明，该主动学习方案能够识别并修正现有方法中的问题，具有重要的物理意义和应用潜力。

Sep, 2024