A high-throughput and data-mining approach to predict new rare-earth free permanent magnets
我们提出了一个应用程序的高通量搜索新的稀土自由永磁体集中在3d-5d过渡金属化合物。检索涉及ICSD数据库（国际晶体结构数据库）的一部分，以及定制的检索标准和磁性的电子结构计算。我们的研究结果表明，它可以找到候选人的稀土自由永磁体使用数据挖掘/数据过滤的方法。这里确定的最有希望的候选物是Pt $_2$ FeNi、Pt $_2$ FeCu和W $_2$ FeB $_2$。我们建议这些材料是一个很好的平台，为进一步研究在寻找新的稀土自由永磁体。
2019-10-01 cond-mat.mtrl-sci
A Monopole Mining Method for High Throughput Screening Weyl Semimetals
尽管已经引入了拓扑不变量来对绝缘体表面受保护电子态的出现进行分类，但对于节点可能随机出现在体布里渊区（BZ）中的外尔半金属却没有相应的指标。在这里，我们使用一个众所周知的结果，每个外尔点作为一个狄拉克粒子，并产生整数Berry通量搜索的单极子矩形BZ网格，通常采用自洽电子结构计算。该方法类似于计算机科学中的数据挖掘技术，并以已知Weyl半金属中的Weyl点为例进行了验证。它随后被用于高通量筛选数百种化合物和预测十几种新材料托管节点Weyl点和/或线。
2018-10-22 cond-mat.mes-hall cond-mat.mtrl-sci
Three-dimensional organic Dirac-line materials due to nonsymmorphic symmetry: a data mining approach
电子Kohn-Sham能带结构的数据挖掘研究进行有机材料数据库（OMDB）中识别狄拉克材料。除此之外，发现三维有机晶体5，6-双（三氟甲基）-2-甲氧基-1 $H$-1，3-二氮杂在能带结构内具有不同的狄拉克线节点。从群论分析，有可能区分由于单斜晶体对称性保护的2重简并能级而发生的狄拉克线节点和由电子能带结构的拓扑结构保护的2重简并偶然交叉。通过引入三个不同的拓扑类，所得结果可以推广到具有空间群$P2_1/c$（No.14，$C^5_{2h}$）的所有材料。
2017-01-03 cond-mat.mtrl-sci physics.data-an
Accelerated Modelling of Interfaces for Electronic Devices using Graph Neural Networks
本研究利用图神经网络学习微观物理性质，加速非晶异质结构（如HfO₂-SiO₂-Si栅极堆叠）的建模，并准确预测晶体管输运特性，为先进电子器件的可扩展模拟开辟了新途径。
2023-10-10 cond-mat.dis-nn cond-mat.mtrl-sci
Computationally accelerated experimental materials characterization -- drawing inspiration from high-throughput simulation workflows
本研究在pyiron框架中实现主动学习循环，直接连接实验设备，结合DFT先验知识与文献挖掘预测，加速实验材料表征，实现实验与模拟数据统一管理。
2025-01-27 cond-mat.mtrl-sci
Accelerated Discovery of Two-Dimensional Optoelectronic Octahedral Oxyhalides via High-Throughput Ab Initio Calculations and Machine Learning
传统的试错法是大规模寻找新型光电材料的障碍。在这里，我们介绍了一种结合高通量从头计算和机器学习方法来预测具有改进的光电性能的二维八面体卤氧化物的方法。我们开发了一个有效的机器学习模型的基础上产生的密度泛函计算，包括300个二维八面体卤氧化物的几何和电子性质的扩展数据集。我们的模型加速了5,000个二维八面体卤氧化物的潜在光电材料的筛选。在我们的模型中提出的扭曲堆叠八面体因子在机器学习预测中起着至关重要的作用。几个潜在的二维光电子八面体卤氧化物具有中等的带隙，高电子迁移率，并成功地假设？吸收系数。
2019-09-23 cond-mat.mtrl-sci
From Femtoseconds to Gigaseconds: The SolDeg Platform for the Performance Degradation Analysis of Silicon Heterojunction Solar Cells
异质结Si太阳能电池表现出显著的性能退化。我们开发了SolDeg平台来模拟这种退化，因为随着时间的推移，热激活会产生电子缺陷。首先，使用基于机器学习的高斯近似势，进行分子动力学模拟以创建a-Si/c-Si堆叠。其次，我们用集束爆炸机制造了震惊的集束。第三，分析冲击的团簇，以确定它们中的哪些支持电子缺陷。第四，确定了控制这些电子缺陷产生的能垒的分布。第五，发展了一种加速蒙特卡罗方法来模拟热激活的时间依赖的缺陷产生跨越障碍。我们的主要结论如下。(1)通过缺陷产生的a-Si/c-Si叠层的退化由宽分布的能垒控制。(2)我们开发了SolDeg平台来跟踪这种宽势垒分布中缺陷产生的微观动力学，并确定了从飞秒到千兆秒的时间依赖性缺陷密度$N(t)$，时间上超过24个数量级。(3)我们已经表明，拉伸指数的解析形式可以成功地描述缺陷产生$N(t)$。(4)我们发现，相对而言，$V_\mathrm{oc}$在第一年以0.2%/年的速度降解，随着时间的推移而减缓。(5)我们开发了时间对应曲线来校准和验证太阳能电池的加速测试。我们发现了一个令人信服的简单的比例关系之间的加速和正常的时间$t_\mathrm{accelerated} \propto t_\mathrm{normal}^{0.85}$。(6)我们对a-Si：H/c-Si叠层中的缺陷产生进行了实验研究。我们发现在早期有一个相对较高的降解速率，在…
2021-03-09 cond-mat.mtrl-sci
Unveiling the Regulatory Factors for Phase Transitions in Zeolitic Imidazolate Frameworks: A High-Throughout Calculations and Data Mining
该研究通过高通量计算和数据挖掘分析QMOF数据库中20,000余种MOFs，识别TBOD和LCD等结构基因以预测ZIFs及MOFs的玻璃形成能力，并经分子动力学验证。
2023-10-01 cond-mat.mtrl-sci
Self-driving laboratory for accelerated discovery of thin-film materials
发现和优化商业上可行的清洁能源应用材料通常需要十多年的时间。自动驾驶实验室在完全自主的循环中反复设计、执行和学习材料科学实验，为加速这项研究提供了机会。在这里，我们报告了一个模块化的机器人平台驱动的基于模型的优化算法能够自主优化的光学和电子性能的薄膜材料，通过修改膜的组成和加工条件。我们通过使用它来最大化钙钛矿太阳能电池和消费电子产品中常用的有机空穴传输材料的空穴迁移率来展示这个平台。该演示突出了使用自主实验室发现与材料科学和清洁能源技术相关的有机和无机材料的可能性。
2020-03-10 cond-mat.mtrl-sci physics.app-ph
Accelerated identification of equilibrium structures of multicomponent inorganic crystals using machine learning potentials
新的多组分无机化合物的发现可以为许多科学和工程挑战提供直接解决方案，但未知材料空间的巨大规模使目前的合成产量相形见绌。虽然计算晶体结构预测有望减轻这种挫折，但密度泛函理论（DFT）计算的NP-硬度和陡峭的成本阻止了大规模的材料探索。在这里，我们介绍了SPINNER，一个高效可靠的结构预测框架，基于穷举随机搜索和进化算法，这是完全免费的。通过精确的神经网络势能，该程序可以比DFT快10倍以上的$^{2}$导航配置空间。在对从实验数据库中选择的60种三元组合物的盲测中，SPINNER在5000代内成功地识别了约80%的材料的实验（或理论上更稳定）相，对每种组合物进行了多达50万次的结构评估。当以以前的数据挖掘或基于DFT的进化预测为基准时，SPINNER在大多数情况下识别出更稳定的阶段。通过开发一个可靠和快速的结构预测框架，这项工作为未发现的无机晶体的大规模，无界计算探索打开了大门。
2021-07-07 cond-mat.mtrl-sci physics.comp-ph
Accelerated Discovery of Materials with Extreme Work Functions through Uncertainty-Aware Multi-Fidelity Screening
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；University of Southern California（南加州大学）
本研究结合机器学习与多保真度筛选，开发数据驱动框架，筛选550万种化合物，识别出低、高功函数候选材料，为相关应用加速极端功函数材料发现。
2026-08-12 cond-mat.mtrl-sci
Accelerated Discovery of Vanadium Oxide Compositions: A WGAN-VAE Framework for Materials Design
本文提出WGAN-VAE逆向设计框架，结合稳定性约束和形成能预测加速发现钒氧化物，生成451种成分并发现新型稳定V2O3相，稳定率约20%，优于现有方法。
2025-03-08 cond-mat.dis-nn cond-mat.mtrl-sci
Discovering Ferroelectric Plastic (Ionic) Crystals in the Cambridge Structural Database: Database Mining and Computational Assessment
本研究通过对包含超120万条目的剑桥结构数据库进行多步骤筛选，结合密度泛函理论计算，发现55种新型塑性及塑性离子铁电分子晶体候选材料，其中21种极化强度超10 μC/cm²，为无铅铁电材料研发提供了新候选。
2023-06-13 cond-mat.mtrl-sci physics.chem-ph
Machine-learning-accelerated discovery of synthesizable high-temperature altermagnets with giant spin splitting
Beihang University（北京航空航天大学）；Peng Huanwu Collaborative Center for Research and Education, Beihang University（北京航空航天大学彭桓武研究中心）；Institute of Theoretical Physics, Shanxi University（山西大学理论物理研究所）；Institute of Theoretical Physics, Chinese Academy of Sciences（中国科学院理论物理研究所）
通过机器学习加速高通量筛选，在四方AB$_2$C$_2$D化合物中发现34个具有超过1.5 eV巨自旋分裂的低焓候选交变磁体，其中RbMn$_2$Te$_2$O表现出约1.88 eV的最大自旋分裂和约390 K的奈尔温度。
2026-05-27 cond-mat.mtrl-sci
Data Mining for better material synthesis: the case of pulsed laser deposition of complex oxides
追求更先进的电子产品，寻找能源需求的解决方案，并解决大量的社会问题往往取决于新功能材料的发现和优化，从而实现颠覆性技术或应用。然而，这些材料的发现率低得惊人。许多可能推动这一比率更高的信息分散在几十年来出版的现有文献中的数万篇论文中，几乎所有这些信息都没有经过整理，因此无法完整使用。如果实验者能够获得系统化的先前实验程序和结果的集合，可以分析和建立在这些集合的基础上，那么这些限制中的许多限制都可以被规避。在这里，我们调查的性质，加工过程中的关系，通过脉冲激光沉积的氧化物薄膜的生长。为此，我们开发了一个使能软件工具，以（1）挖掘相关论文的文献，以获得先前研究材料的合成参数和功能特性，（2）通过众包方法提高这种挖掘的准确性，（3）创建一个可搜索的存储库，这将是一个社区范围的资源，使材料科学家能够利用这些信息，以及（4）通过Answyter Notebook平台提供基于简单机械学习的分析，以学习生长参数和功能特性之间的复杂相互作用（所有数据和代码可在https：//github.com/ORNL-DataMatls上获得）。结果允许生长窗口、趋势和异常值的可视化，并且可以用作分析生长条件分布的模板，为相关化合物提供起点，并用作第一性原理计算的反馈。在未来十年，这些工具将成为材料设计方案的一个组成部分。
2018-03-01 cond-mat.mtrl-sci
Accelerated Screening of Ternary Chalcogenides for High-Performance Optoelectronic Materials
本研究针对未被探索的三元硫族化合物，结合高通量筛选与第一性原理计算构建超40万种化合物的数据库，训练晶体图卷积神经网络预测稳定性，评估稳定材料的光电特性，为后续实验提供指导。
2023-05-04 cond-mat.mtrl-sci
Machine-learning-accelerated simulations to enable automatic surface reconstruction
Massachusetts Institute of Technology（麻省理工学院）；Massachusetts Institute of Technology Lincoln Laboratory（麻省理工学院林肯实验室）
提出一种结合机器学习原子间势与马尔可夫链蒙特卡洛采样的双阶段计算循环，加速多组分材料表面相图预测，并在GaN、Si和SrTiO3表面验证其有效性。
2023-11-21 cond-mat.mtrl-sci cs.LG
Accelerated Inorganic Electrides Discovery by Generative Models and Hierarchical Screening
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；North Carolina Battery Complexity, Autonomous Vehicle and Electrification (BATT CAVE) Research Center（北卡罗来纳电池复杂性、自动驾驶与电气化（BATT CAVE）研究中心）
本文提出结合物理原理和扩散生成的材料发现框架，系统筛选出1510种二元和6654种三元化合物，发现264种新的电子富集化合物，包括13种热力学稳定的电荷化合物。
2026-06-29 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Many-body perturbation theory with hybrid density functional theory starting points accelerated by adaptively compressed exchange
本文提出使用自适应压缩交换（ACE）算子加速以混合密度泛函理论为起点的多体微扰理论（MBPT）计算，在保证系统可控误差的同时大幅节省计算资源，无需显式计算空态即可完成 G$_0$W$_0$ 和 BSE 求解。
2025-01-28 cond-mat.mtrl-sci
MALOQ: Massively Accelerated Learning of Operators for Quantum Transport
D-ITET, ETH Zurich（D-ITET，苏黎世联邦理工学院）
提出MALOQ框架，基于SO(2)-等变骨干架构和可扩展边分布，加速学习DFT哈密顿量/密度矩阵，支持多达10万原子体系，训练时间减少30%以上。
2026-06-27 cond-mat.mtrl-sci cs.DC cs.LG
Accelerated screening of thermoelectric materials by first-principles computations of electron-phonon scattering
最近发现的用于热电能量转换的新材料是通过从第一原理有效预测材料的性能而实现的，而无需经验拟合的参数。描述了一种新的简化的计算电子输运性质的方法，与现有的方法相比，该方法具有良好的精度和可移植性，同时大大降低了复杂性和计算成本。电子-声子耦合的第一性原理计算表明，电子弛豫时间的能量依赖性随化学成分和载流子浓度的变化而显著变化，这表明有必要超越常用的近似来筛选和优化材料的成分、载流子浓度和微观结构。新的方法进行了验证，使用高精度的计算和验证的实验数据，然后将其应用于筛选和发现有前途的组合物在空间的半Heusler合金。通过分析数据趋势，有效电子质量被确定为决定材料性能的单一最佳通用描述符。从第一性原理出发计算了洛仑兹数，并讨论了Wiedemann-Franz定律在热电学中的普适性。
2018-05-01 cond-mat.mtrl-sci
Spin non-Collinear Real-Time Time-Dependent Density-Functional Theory and Implementation in the Modern GPU-Accelerated INQ code
本文在GPU加速的INQ代码中实现非共线实时TDDFT，纳入交换关联磁场、自旋-轨道耦合和外磁场作用，并用于模拟磁性团簇与固体的光致自旋动力学。
2025-09-28 cond-mat.mtrl-sci
Structural phase transitions in perovskite BaCeO3 with data mining and first-principles theoretical calculations
本文结合晶体结构数据挖掘与第一性原理计算构建BaCeO3自由能相图，预测出34种多晶型并解释了热分析实验中额外相变源于Cmcm、P4/mbm、P42/nmc和I4/mcm等新相的短暂亚稳态。
2023-11-30 cond-mat.mtrl-sci
Constrained Diffusion for Accelerated Structure Relaxation of Inorganic Solids with Point Defects
University of Virginia（弗吉尼亚大学）
本文提出了一种约束扩散模型，用于高效模拟具有点缺陷的无机固体结构弛豫，提升第一性原理模拟的效率和准确性。
2026-02-22 cond-mat.mtrl-sci cs.AI cs.LG
Hybrid preconditioning for iterative diagonalization of ill-conditioned generalized eigenvalue problems in electronic structure calculations
一系列大型病态广义本征值问题的迭代对角化是量子力学{ \em ab initio}电子结构计算中采用非正交基的计算瓶颈。我们提出了一个混合预处理方案，有效地结合全球和本地加速预处理器的快速迭代对角化等特征值问题。在单位分割有限元（PUFE）赝势密度泛函计算中，采用非正交基，我们证明了混合预处理块最速下降法是一种具有成本效益的本征解，优于当前最先进的全局预处理方案，对于由PUFE产生的病态广义特征值问题，作为局部最优块预条件共轭，梯度法求解由平面波方法产生的条件良好的标准特征值问题。
2013-08-12 cond-mat.mtrl-sci physics.comp-ph
Ab initio study of the structure and properties of amorphous silicon hydride from accelerated molecular dynamics simulations
本文结合加速分子动力学与第一性原理计算，系统研究了不同氢浓度下非晶硅氢化物的结构与电子性质，构建了2600多个无配位缺陷且带隙纯净的结构模型，并与多种实验数据进行了对比验证。
2023-09-18 cond-mat.dis-nn cond-mat.mtrl-sci
Data Mining and Computational Screening of Rashba-Dresselhaus Splitting and Optoelectronic Properties in Two-Dimensional Perovskite Materials
本研究构建多尺度计算工作流，生成含超2000种二维钙钛矿的数据集，提出Rashba-Dresselhaus劈裂高通量计算框架，并训练机器学习模型预测相关性质，助力二维钙钛矿的定向应用研究。
2025-05-17 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Harnessing X-ray Absorption Spectroscopy Data through Multimodal Mining of Battery Literature
Argonne National Laboratory（阿贡国家实验室）；NVIDIA（英伟达）；University of California, Berkeley（加州大学伯克利分校）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；The University of Chicago（芝加哥大学）
研究利用多模态文献挖掘将电池文献中分散的X射线吸收光谱数据转化为可用于人工智能的实验数据资源，开发数字化管道并应用于电池文献，产生开放数据集，为相关分析、比较及材料发现提供基础。
2026-08-03 cond-mat.mtrl-sci cs.AI cs.CL
AI-accelerated Discovery of Altermagnetic Materials
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院）；School of Physics, Renmin University of China（中国人民大学物理学院）；School of Engineering Science, University of Chinese Academy of Sciences（中国科学院大学工程科学学院）
本文提出结合预训练图神经网络与少样本微调分类器的AI搜索引擎，从晶体结构预测交错磁性，发现50种经第一性原理验证的新交错磁材料，其中包括首次发现的4种i波材料。
2025-05-13 cond-mat.mtrl-sci cs.AI physics.comp-ph
The electronic structure of clean and adsorbate-covered Bi2Se3: an angle-resolved photoemission study
角分辨光电子能谱学用于详细研究的电子结构的拓扑绝缘体Bi 2 Se 3。名义化学计量和钙掺杂的样品进行了研究。原始表面显示了体带隙中的拓扑表面态。随着时间的推移，狄拉克点移动到更高的结合能，表明表面附近的带越来越强的向下弯曲。这种随时间变化的能带弯曲与表面的污染有关，并且可以通过有意地将表面暴露于一氧化碳和其他物质来加速。对于一个足够强的能带弯曲，额外的状态出现在费米能级。这些被解释为量子化的导带态。对于大的能带弯曲，这些国家被发现进行强Rashba分裂。对于价带态也观察到量子阱态的形成。对类似数据的不同解释也进行了讨论。
2012-06-07 cond-mat.mtrl-sci cond-mat.str-el
Putting Density Functional Theory to the Test in Machine-Learning-Accelerated Materials Discovery
Massachusetts Institute of Technology（麻省理工学院）
机器学习（ML）加速发现已经开始提供克服计算材料设计组合挑战所需的效率进步。然而，ML加速发现既继承了来自密度泛函理论（DFT）的训练数据的偏差，又导致了许多注定失败的尝试计算。许多引人注目的功能材料和催化过程涉及应变化学键，开壳自由基和双自由基，或金属有机键到开壳过渡金属中心。虽然有前途的目标，这些材料提出了独特的挑战，电子结构的方法和组合的挑战，他们的发现。在这个视角中，我们描述了在准确性、效率和方法方面所需的进步，这些进步超出了传统的基于DFT的ML工作流中的典型特征。这些挑战已经开始通过训练的ML模型来解决，以预测多种方法的结果或它们之间的差异，从而实现定量敏感性分析。对于高通量筛选中的给定数据点，DFT要被信任，它必须通过一系列测试。预测计算成功的可能性并检测强相关性的存在的ML模型将使快速诊断和适应策略成为可能。这些“决策引擎”代表了迈向自主工作流程的第一步，这些工作流程避免了对基于DFT的材料发现的鲁棒性进行专家确定的需要。
2022-05-06 cond-mat.mtrl-sci cs.LG physics.chem-ph
GPU acceleration of hybrid functional calculations in the SPARC electronic structure code
本文提出了SPARC电子结构代码的GPU加速版本，通过开发基于Kronecker乘积的批处理线性求解器及NVIDIA架构下的模块化混合泛函实现，在包含6000电子的金属系统中将求解时间缩短至约300秒，相比纯CPU实现了最高8倍节点小时和80倍核心小时的加速。
2025-01-27 cond-mat.mtrl-sci physics.comp-ph
Accelerated Lifetime Testing and Analysis of Delta-doped Silicon Test Structures
随着晶体管功能缩小到2 nm节点以上，研究和设计原子尺度效应变得至关重要。能够将传统CMOS与能够以原子精度创建高度掺杂磷层的2D图案的新原子级制造路线相结合，对数字电子的未来具有影响。这项工作建立了这种掺杂层的加速寿命测试，表明这些材料在高电流（>3.0 MA/cm 2）和300 $^{\circ}$ C下存活超过70天，并且仍然是导电的。掺杂层与传统金属层（如铝和铜）中的失效相比很好，在传统金属层中，在这些温度和电流密度下的平均失效时间将在数小时内发生。它还确定了这些材料比金属特征更稳定，为它们与操作CMOS的集成铺平了道路。
2022-02-24 cond-mat.mes-hall cond-mat.mtrl-sci physics.app-ph
KPROJ: A Program for Unfolding Electronic and Phononic Bands
该研究介绍了KPROJ程序，它基于k投影方法展开超胞模型材料的电子和声子能带结构，支持局域能带分析并与多种第一性原理代码对接，提升了材料能带计算的效率与灵活性。
2025-04-16 cond-mat.mtrl-sci physics.comp-ph
GPUTB: Efficient Machine Learning Tight-Binding Method for Large-Scale Electronic Properties Calculations
GPUTB是一种GPU加速的机器学习紧束缚框架，通过原子环境描述符实现环境依赖，结合线性标度输运方法，高效计算百万至亿原子体系的电子性质，并验证了石墨烯及异质结的精度。
2025-09-08 cond-mat.mtrl-sci physics.comp-ph
AGAPI-Agents: An Open-Access Agentic AI Platform for Accelerated Materials Design on AtomGPT.org
Johns Hopkins University（约翰霍普金斯大学）；West Virginia University（西弗吉尼亚大学）
研究智能代理人工智能系统中工具访问对预测准确性的影响，核心方法是构建AGAPI平台整合多种模型与工具，主要贡献是明确其在材料设计中能提高精度、展示多步骤工作流程且证实工具在特定情况下不可或缺。
2026-07-09 cond-mat.mtrl-sci cs.AI
Accelerated discovery and design of Fe-Co-Zr magnets with tunable magnetic anisotropy through machine learning and parallel computing
本研究利用机器学习辅助框架和百亿亿次计算资源在三元Fe-Co-Zr空间中搜索新硬磁材料，发现了9种热力学稳定化合物和81个低能亚稳相，并通过化学掺杂优化出具有强磁各向异性的Fe5Co18Zr6相和稳定的四元磁性Fe5Co16Zr6Mn4化合物。
2025-06-27 cond-mat.mtrl-sci physics.comp-ph
Mixed Precision Fermi-Operator Expansion on Tensor Cores From a Machine Learning Perspective
我们提出了一个二阶递归费米算符展开方案，使用混合精度浮点运算来执行电子结构计算，使用张量核单元。在Nvidia的A100张量核心单元上，半精度浮点运算的性能超过100 teraFLOPs。二阶递归费米算子方案是根据广义的、可微的深度神经网络结构来制定的，它解决了量子力学电子结构问题。我们演示了如何通过优化权重和偏置值来加速该网络，以大幅减少收敛所需的层数。我们还展示了如何使用这种机器学习方法来优化递归费米算子展开的系数，以准确地表示有限温度下电子态的分数占用数。
2021-01-16 cond-mat.mtrl-sci physics.comp-ph quant-ph
