CrysAtom：晶体性质预测的原子分布表示
本研究提出了一种新的模型（MT-CGCNN），通过将CGCNN与基于多任务学习的转移学习相结合，成功预测形成能量、带隙和费米能级等多材料性质，取得了较CGCNN更好的效果，结果鼓励进一步开发多任务学习的机器学习方法来解决新材料发现中的挑战。
Nov, 2018
提出了一种针对晶体结构学习具有自我监督的预训练框架，通过互斥掩码策略和周期不变多图模块来解决晶体结构学习中标签不足和周期不变问题，并在8个不同的任务上进行了测试，结果表明该框架具有良好的预测性能。
Jun, 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
本文利用晶体图神经网络（CGNN）预测水晶的属性，通过对原子、结合和整体状态特征的编码，在DFT的级别上实现预测的正确性，从而在合金探索中找到有前途的路径。
Jun, 2023
开发出一个名为TextEdge的基准数据集，包含了关于晶体结构及其性质的文本描述，并提出了一种名为LLM-Prop的方法，利用大型语言模型（LLMs）的通用学习能力，从晶体的文本描述中预测其物理和电子性质，并在预测带隙、分类带隙是否为直接或间接和预测晶胞体积方面的性能优于现有最先进的基于GNN的晶体性质预测模型。
Oct, 2023
基于双尺度邻域划分机制的晶体结构建模和基于原子-距离-角度图神经网络（ADA-GNN）的属性预测任务处理方法，通过分别处理节点信息和结构信息，提高了预测准确性和推理时间。在两个大规模材料基准数据集上，我们的方法取得了最先进的属性预测结果。
Jan, 2024
从晶体结构预测材料的物理性质是材料科学中的一个基本问题。本文介绍了一种无限连接的注意力网络，可以在一个深度学习的特征空间中执行无限的原子间势能求和，并提出了一种名为Crystalformer的基于Transformer的编码器架构，它只需要原有Transformer架构的29.4%参数，但在不同的性质回归任务中都表现出比现有方法更好的结果。
Mar, 2024
本研究介绍了一种基于Transformer的适应性框架CrystalBERT，该框架整合了空间群、元素和晶胞信息，能够准确预测各种物理重要性质，包括拓扑性质和超导过渡温度等，同时提供具有洞察力的对目标物性影响最显著的特征的物理解释。通过结合各种特征，模型在拓扑分类中实现了91%的高准确率，超过以往研究，并识别了先前被错误分类的拓扑材料，进一步证明了我们模型的有效性。
May, 2024