本文提出了一种基于深度残差学习的机器学习模型IRNet用于材料属性预测，表现优于现有的机器学习方法，同时实现更好的训练收敛性能。

Jul, 2019

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

通过融合物理属性和化学数据，我们提出了一个多模态深度学习框架，用于预测一种10维丙烯酸聚合物复合材料的物理特性。该框架可以处理18维的复杂性，成功预测了114,210种成分条件下的913,680个物性数据点。我们提出了一个分析高维信息空间以进行反向材料设计的框架，并展示了足够的数据可实现的材料类型和规模的灵活性和适应性。这项研究推动了未来对不同材料和更复杂模型的研究，并将我们更接近预测所有材料的所有属性的终极目标。

Mar, 2023

通过两个高熵合金设计案例研究，直接、定量地比较正向和逆向设计模型范式，并将逆向设计方法与局部前向搜索、高通量筛选和多目标优化等其他前向方案进行对比。

Jul, 2023

使用物理引导的晶体生成模型（PGCGM）来作为逆向设计过程的一部分，评估生成式机器学习模型如何利用科学建模生成的数据来创造大量的新材料结构。研究发现，PGCGM的输入空间对参数变化并不平滑，导致了材料优化的困难和局限性；同时，通过一个独立的属性预测模型表明，大部分生成的结构在热力学上是不稳定的，部分原因是由于领域外数据挑战。研究结果为改进生成模型以实现更好的逆向设计提供了建议。

Aug, 2023

材料科学中的人工智能通过提高性能预测和加速新材料的发现，革命了这一领域。通过多模态对齐在共享潜在空间中连接高维材料性质，我们介绍了多模态学习结晶材料（MLCM）的基础模型训练新方法，展示了MLCM在多个方面的实用性，并在材料科学领域中引入了人工智能革命的创新。

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

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

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

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