- 混合量子图神经网络用于分子属性预测
利用数据驱动技术的材料设计过程中,我们开发了一种融合经典和量子计算的混合模型来预测钙钛矿材料的能量形成。该模型的性能与经典模型和其他机器学习算法相媲美,为探索量子特征编码和参数化量子电路在图神经网络等复杂机器学习算法中的巨大改进提供了一种新 - MatterGen: 一种用于无机材料设计的生成模型
通过引入新的扩散式生成过程和适配器模块,本研究提出了 MatterGen 模型,用于生成各类稳定多样的无机材料,并可以通过微调以满足广泛的性质限制。该模型生成的结构物相较于先前的生成模型是新奇且稳定的,同时与局部能量最小值相比接近 15 倍 - 神经网络潜力函数的数据提炼对基础数据集的研究
利用机器学习、生成模型和神经网络为基础的势函数,通过拓展系综分子动力学获得大范围液态和固态配置来加速势函数开发,并提升材料设计和发现的能力。
- STRIDE: 分子逆向设计的结构引导生成
通过已有的分子引导,我们提出了一个新的生成分子工作流 $ extbf {STRIDE}$,可以在没有重新训练的情况下,生成 [新的分子],这对于具有结构相似性的小数据集是特别有用的。
- 逐步优化学习用于构象能量最小化
传统的能量最小化技术依赖于使用物理模拟器 (oracle) 计算的分子力作为反梯度的迭代优化方法,但这种计算密集的方法需要与物理模拟器进行多次交互。本文提出了 Gradual Optimization Learning Framework - 机器学习提高密度泛函近似的准确性
机器学习技术在计算化学中的应用被认为是加速原子模拟和材料设计的无可或缺的工具。此外,机器学习方法有潜力提高计算效率高的电子结构方法(如密度泛函理论)的预测能力,纠正密度泛函方法中的基础错误。本文回顾了机器学习在提高密度泛函和相关近似方法准确 - 基于贝叶斯推断的组分依赖相图
我们通过应用贝叶斯推断方法结合分子动力学、熔点模拟和声子计算的热力学数据,得到了一个温度 - 浓度相图,它不仅提供了不同相的自由能随温度和浓度变化的信息,也考虑了由有限长度分子动力学轨迹引起的统计误差的不确定性,并且将有限原子计算的结果外推 - 多目标优化问题中实现目标空间的多样性,以实现高效率搜索
该论文提出了一种利用 LMS 指标和多目标优化方法来寻找符合用户性能标准的智能设计方案的方法,并在多个问题上进行了验证与分析。
- OPTIMADE,用于交换材料数据的 API
该研究介绍了 OPTIMADE API 的第一个稳定版本,旨在实现材料数据库的互操作性,获得了许多领先数据库和软件包的支持,并通过对于各公共材料数据库的案例研究,说明了该 API 的优势。
- 欧几里得神经网络直接预测声子态密度
本论文利用欧氏神经网络,输入仅为原子种类和位置,直接预测晶体固体中的声子态密度。通过该方法,可以高效地探索材料的声子结构,并能进一步快速筛选出高性能的热储存材料和声子介导超导体。
- 基于文献训练的神经网络的无机材料合成规划
本文介绍一项基于语言模型的自动化方法,通过自然文本连接文献与合成洞见,提高材料设计和发现速度,并展示该方法在预测钙钛矿材料先驱体和筛选新化合物方面的潜力。
- 基于图卷积神经网络的材料空间分层可视化
结合高通量计算和机器学习开展的材料设计新范式的研究,开展了通过图卷积神经网络的不同层的表示学习在任意材料空间内分层可视化材料的组成和结构相似性的统一框架,为材料空间探索提供了新技术,该方法可以帮助过渡到自动化材料设计的数据中心探索。
- 分子性质的机器学习:局部性和主动学习
本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法,可以在较小的训练集上提供高精度预测,并显著减少异常值误差,从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。