material discovery | BriefGPT

关键词material discovery

搜索结果 - 8

材料专家 —— 材料发现的人工智能
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。
PDF7 months ago
Crystal-GFN: 采样具有理想性质和约束条件的晶体
加速材料发现对缓解气候危机具有潜力。我们介绍了一种名为 Crystal-GFlowNet 的晶体结构生成模型，它能够灵活地加入物理和几何约束，并使用预测模型作为目标函数。通过在 MatBench 上训练的代理模型对结晶能进行预测，我们评估了
PDF9 months ago
MHG-GNN：分子超图语法与图神经网络的组合
材料发现中，性质预测起着重要作用。我们引入了一种称为 MHG-GNN 的新型自编码器，它将图神经网络（GNN）与分子超图文法（MHG）相结合。各种不同材料的性质预测任务结果表明 MHG-GNN 具有很大的潜力。
PDF9 months ago
解决材料性质预测中的准确性与成本的权衡问题：一种师生策略
基于深度学习的新材料发现过程已经取得了革命性的进展，可以基于化学成分预测材料性质而不需要材料结构，但这种成本效益的方法导致了模型准确性的权衡，为了解决这一挑战，我们提出了一种创新的师生策略，在这个策略中，预先训练的基于结构的模型作为 “老师
PDF10 months ago
利用语言表示进行物料推荐、排序与探索
通过使用来自材料科学特定语言模型的自然语言嵌入作为成分和结构特征的表示方法，我们介绍了一种材料发现框架，并将其应用于热电材料，展示了原型结构的多样化推荐和识别出了未充分研究的高性能材料空间，其中包括卤化物钙钛矿、德拉福石和尖晶石结构。
PDFa year ago
人工智能与人类协作的方式寻找永久性化学物质的替代品
设计支持人工智能辅助协作的软件框架，加速发现替代环境和人类健康有害的化学物质 ——“永久化学物质”。通过领域专家的知识与人工智能技术相结合，使用生成模型生成新的分子设计。研究表明，领域专家可以通过更迭代的方式与生成模型互动，指导探索发现空间
PDFa year ago
生成模型的领域无关和多层次评估
提出了一个适用于不同领域的多层次性能评估框架 (MPEGO)，该框架从基于子特征的低层次评估到基于全局特征的高层次评估，可定制化以支持用户自定义特征，验证结果表明该框架能帮助实现对生成模型性能的灵活、可定制化和多层次的评价，适用于材料发现等
PDFa year ago
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。
PDF2 years ago