- CVPR基于语言嵌入特征场的物性理解
计算机通过视觉能否感知物体的物理属性？我们提出了一种利用图像集合对物体的物理属性进行密集预测的新方法，通过借鉴人类如何通过视觉进行物理推理的方式，利用大型语言模型为每个物体提出候选材料，然后构建一个嵌入语言的点云，并利用零样本核回归方法估计 - 预测感知光泽：弱标签是否足够？
从图像中直接估计材料的感知属性是一项具有挑战性的任务，本研究通过使用强标签和弱标签的组合学习了一个低维图像可计算光泽度度量标准，提高了光泽度的预测准确性，并在减少人工标注成本的同时保持了准确性。
- 利用机器学习从材料属性估计电子能带带隙能量
利用机器学习技术估计电子带隙能量并基于可量化的实验性质预测材料的带隙类别。通过将数据集分成多个聚类群组，提出了一种改进简单回归分类模型性能的方案，从而在材料科学中比较基于机器学习的模型。该方法在新的评估指标下显示出更好的性能，无需 DFT - 分子和材料科学中的知识重用迁移学习方法
分析转移学习在分子和材料科学中的应用和近期进展，重点关注转移学习方法在高级分子和材料的发现中的应用，不同系统下转移学习框架的构建以及如何提高模型性能，并讨论了转移学习面临的挑战。
- 材料的通用机器学习 Kohn-Sham 哈密顿
该研究介绍了一个基于普适性电子哈密顿模型的技术，该模型通过使用从材料项目的第一性原理计算获得的哈密顿矩阵进行训练，展示了在预测整个周期表中的电子结构以及复杂的多元素系统方面的广泛适应性，为计算电子性质提供了一个可靠高效的框架，并为与电子结构 - SIR： 室内场景的多视角可分解阴影逆渲染
我们提出了一种高效的方法 SIR，用于室内场景的逆向渲染，通过使用多视角数据来分解可微阴影，解决了在准确分解材料和照明条件方面的挑战。
- 物理基于反渲染中的 NeRF 作为非遥远环境发射器
使用 NeRF 作为空间变化的环境光照模型建立反向渲染程序，通过与环境贴图在真实和合成数据集上的比较，展示了使用基于 NeRF 的发射器能更准确地模拟场景光照并导致更精确的反向渲染。
- ICLR精细调优的语言模型生成稳定的无机材料文本
通过对大型语言模型进行微调以稳定材料生成，实验证明微调后的模型相对于竞争性扩散模型能以约两倍的速度（49% 对比 28%）产生预测为亚稳态的材料，同时具备生成稳定材料、填补部分结构和根据文本条件生成的能力。此外，研究表明，语言模型捕捉晶体结 - 利用生成式深度学习从信息受损的衍射数据实现端到端结构解决方案
介绍了一种新颖的机器学习方法，使用多分支深度神经网络和计算的粉末 X 射线衍射，结合部分化学组成信息，实现对结构的成功求解。
- 借助扩散模型的光谱引导下对无序材料的三维结构发现
通过扩散模型，我们提出了一个基于生成式机器学习的新框架，用于从目标性质预测无序材料的三维结构。我们应用该模型来识别非晶碳的原子结构，通过 XANES 光谱引导条件生成，并展示了其生成大规模结构的能力。这一工作极大地弥合了材料表征和原子结构确 - 基于阈值驱动的混合采集策略贝叶斯优化加速材料发现
本文介绍了一种新的阈值驱动的 UCB-EI 贝叶斯优化（TDUE-BO）方法，该方法动态地整合了上置信区间（UCB）和预期改进（EI）获取函数的优势，以优化材料发现过程。通过在顺序采样结果的每个步骤中连续监测模型的不确定性来引导 UCB 到 - 非弹性本构人工神经网络的理论与实现
通过扩展具有客观性、刚体运动、乘法分解和能量限制的 Constitutive Artificial Neural Networks（CANN）架构为 iCANN，我们能够自主地发现包括人工生成数据、聚合物对循环加载的响应和肌肉数据的松弛行为 - 机器学习预测全过程材料热导率
通过机器学习方法进行端到端基于结构的方法加速预测材料的导热性的研究，从而更有效地扩大已有数据集的规模。我们评估了目前最先进的机器学习模型在扩展数据集上对导热性预测的性能，并观察到所有这些模型都存在过拟合的问题。为了解决这个问题，我们引入了一 - 大规模扩散材料生成
本研究提出了一个基于 UniMat 的晶体结构生成方法，通过训练扩散概率模型，能够高度还原大规模和复杂化学系统的晶体结构，并且在评估指标上胜过之前基于图结构的方法，同时提出了针对材料的新评估指标，并展示了条件生成在大规模晶体数据集上的可扩展 - 重构材料四面体：材料信息提取中的挑战
材料科学文献信息提取中的机器学习挑战及建立材料知识库的启示。
- 150 万个材料叙述由聊天机器人生成
人工智能和自然语言数据集为探索固态材料提供了巨大潜力。
- MatFuse: 控制能力的扩散模型材料生成
MatFuse 是一种基于扩散模型的新型统一方法，用于简化计算机图形学中高质量逼真材料的创建，通过集成多种条件来源实现细粒度控制和材料合成的灵活性，该方法展示出与最先进方法相当的性能，同时丰富了创作可能性。
- 关于预训练在分子性质预测中的数据不平衡问题
本研究提出了一种有效的预训练方法，用于改善分子性质预测模型的预训练和最终预测准确性，并通过实验和评估使用分子性质预测模型的基准来调查和评估我们提出的不平衡补偿的影响。
- 生物机器人：一个新兴跨学科领域的视角
探讨生物机器人的概念在材料科学、信息科学和生命科学等之间的变化和交叉，以及生物学、计算机科学和机器人学的交叉研究可能带来的多尺度控制、自组装和形态与功能之间关系的问题。
- 适用于周期表的通用图深度学习原子间势能
本文利用图神经网络，构建了一种适用于物质结构松弛、动态模拟和性质预测的万能相互作用势能模型，通过对 3100 万理论晶体结构的筛选，最终确定了大约 1578 种稳定的具有异常材料特性的合成材料。