- 统一建模空间变化噪声模式的一种噪声
通过训练一种去噪扩散模型,采用数据增强和网络调节技术的新颖组合,我们提出了一个单一生成模型,可以学习生成多种类型的噪声并在它们之间进行混合,同时可以生成具有空间变化的噪声混合,而无需训练这些数据。通过控制参数和随机性,该模型的行为可由用户控 - 基于梯度的组成设计高温超导体的高效探索
我们提出了一种基于梯度优化的材料设计方法,通过优化成分克服了传统方法的局限性,优化输入以使模型的输出与目标属性紧密对齐,从而便于发现未列出的材料和精确属性确定,应用于探索高临界温度超导体时,我们确定了超越现有数据库的潜在成分,并通过条件优化 - 将分子表示为可解释文法上的随机游走
分子发现中的数据有效和可解释的模型在材料设计中的应用取得了明显的优势和合成能力。
- 基于点云表示和扩散模型的晶体结构生成设计
用点云表示的结构信息作为基础,我们提出了一种合成材料的框架来有效生成能量稳定的晶体结构,通过生成全新的材料来推动材料设计和合成的发展,而不是传统的替代或基于经验的发现。
- 结构与属性:化学元素嵌入和深度学习方法用于准确预测化学性质
利用深度学习技术构建的新型机器学习模型,对多种输入数据进行分类任务,包括有机和无机化合物,并在 Matbench 和 Moleculenet 基准数据集上进行开发和测试,揭示了化合物的底层模式。该模型在分子和材料数据集上表现出很高的预测能力 - 神经超材料网络用于非线性材料设计
本文提出了神经介质网络(NMN)作为一种平滑的神经表示,用于编码整个介质材料家族的非线性力学特性,并将逆材料设计作为一种非线性规划问题进行阐述。
- 分解重组的分子图生成
本文提出了基于分解和重组的分子设计方法,通过分解分子并通过强化学习寻找理想的构建子以生成新的分子,以达到更好的分子质量以及合适的药物特性。
- KDD基于云计算的实时分子筛选平台与 MolFormer
本研究介绍了一种基于化学语言处理技术的云实时平台,该平台利用从 MolFormer 中推断出的分子嵌入来筛选感兴趣的分子;通过平台的三个任务,最近邻检索、化学空间可视化和属性预测,可以自动化化学和化学工程研究,并协助药物发现和材料设计任务。
- 利用生成科学发现工具包加速材料设计
该研究介绍了一种名为 GT4SD 的开源工具库,科学家、开发人员和研究人员可以使用这个工具库来训练和使用最先进的生成模型来加速物质设计相关的科学发现。
- ICLR回归 Transformer: 分子语言建模的序列回归和生成并行
本文提出 Regression Transformer(RT)方法,它是一种基于序列模型的回归模型,可用于小分子、蛋白质和化学反应的属性预测任务及其生成。该方法通过新颖的交替训练方案,使其在化学或蛋白质空间的属性驱动、局部探索中具有特殊的应 - ICLR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。
- 材料设计的贝叶斯优化
通过高斯过程回归和贝叶斯优化技术,针对材料设计和发现等高维复杂问题,提出一种基于价值信息分析的预期改进和知识梯度方法,以最少的实验找到优良的材料设计方案。