Materials Informatics: An Algorithmic Design Rule
本文提出材料信息学作为材料科学第四范式,通过神经网络拓扑与统计推断,实现有机半导体发现与知识提取,并探讨算法设计规则。
2023-05-05 cond-mat.mtrl-sci cond-mat.stat-mech cs.LG
Materials Informatics for Heat Transfer: Recent Progresses and Perspectives
随着材料的进步以及电子和热电的集成,对具有极限高/低热导率的新型晶体材料的需求正在增加。然而,由于晶体化合物和纳米结构的组成和结构的巨大自由度,寻找最佳的热材料是具有挑战性的,因此经验性的搜索将是令人疲惫的。材料信息学将模拟/实验与机器学习相结合,作为加速新型热材料研究的一种工具,正受到人们的极大关注。在这篇综述中,我们讨论了最近的进展,在发展材料信息学的热传输:探索高/低热导率的晶体通过高通量筛选,和纳米结构设计的高/低热导率使用贝叶斯优化和蒙特卡罗树搜索。这些进展表明,材料信息学方法在热功能材料的设计中是有用的。最后,我们将讨论进一步发展的剩余问题和挑战。
2019-01-24 cond-mat.mtrl-sci physics.app-ph
JAMIP: an artificial-intelligence aided data-driven infrastructure for computational materials informatics
材料信息学已经成为一个充满希望的新范式,加速材料的发现和设计。它利用机器学习方法的智能力量,从实验或模拟的大量材料数据中寻找新材料,功能,原理等。开发专门的设备来生成,收集,管理,学习和挖掘大规模材料数据是材料信息学的关键。为满足计算材料信息学的研究需求,我们开发了一个基于人工智能的数据驱动基础设施--吉林材料智能辅助材料设计集成包(JAMIP)。它集成了材料生产工厂、高通量第一性原理计算引擎、自动任务提交和监控进度、数据提取、管理和存储系统以及基于人工智能机器学习的数据挖掘功能。我们集成了无机晶体结构原型数据库等特定功能,以促进高通量计算和与功能材料机器学习研究相关的基本模块。以卤化物钙钛矿为例,说明了我们开发的程序在光电半导体材料信息学研究中的应用。通过遵守自动化,可扩展性,可靠性和智能性的原则,JAMIP代码是一个有前途的强大工具,有助于快速增长的计算材料信息学领域。
2021-03-14 cond-mat.mtrl-sci physics.comp-ph
AI-accelerated Materials Informatics Method for the Discovery of Ductile Alloys
在计算材料科学中,预测宏观(例如,机械)特性的方法是使用依赖于某些材料特性(弹性常数、失配体积等)的描述符的组合来定义模型,代表宏观行为。材料性质通常使用特殊的准随机结构(SQS)与密度泛函理论(DFT)一起计算。然而,DFT与原子数成立方比例,因此对于许多合金组合物的筛选是不切实际的。在这里,我们提出了一种新的方法,结合建模方法和机器学习原子间的潜力。机器学习原子间势比DFT快几个数量级,同时达到类似的精度,允许在整个合金空间进行预测性和易处理的高通量筛选。通过预测中熵合金Mo-Nb-Ta的室温塑性说明了所提出的方法。
2022-10-14 cond-mat.mtrl-sci
Object Storage, Persistent Memory, and Data Infrastructure for HPC Materials Informatics
提供了关于基础设施选择如何适应材料数据生态系统的猜测。特别关注的是对象存储,英特尔DAOS API,存储类内存(SCM),以及非冯诺依曼计算的前景。最后,假设的影响,数据基础设施的选择上的一个样本材料信息学的问题进行了讨论:计算材料发现相变材料的相变存储器(PCM)的属性。选择PCM作为样本材料信息学案例研究的动机来自于它与新兴SCM硬件的相关性。
2022-10-06 cond-mat.mtrl-sci cs.DB cs.DC
Function Decomposition Tree with Causality-First Perspective and Systematic Description of Problems in Materials Informatics
National Institute for Materials Science(国立材料科学研究所);Japan Advanced Institute of Science and Technology(日本北陆先端科学技术大学院大学);Tohoku University(东北大学);National Institute of Advanced Industrial Science and Technology(国立先进工业科学与技术研究所)
由于材料信息学和其他因素,交叉学科正在蓬勃发展;需要一种系统的方式来表达知识并促进各领域科学家之间的交流。功能分解树就是这样一种表示方法,但领域科学家在构建功能分解树时遇到了困难,因此,本研究引用初学者在生成功能分解树时遇到的一般问题,并提出了一种新的功能分解表示方法。首先根据工作流的加工顺序进行分解,得到工作流的容限优先分解树。此外,我们开发了一个程序,执行自动转换使用的功能的cacquitity-first分解树。将该方法应用于材料信息学领域,验证了专家知识的系统表示及其实用性。
2022-04-26 cond-mat.mtrl-sci cs.AI
Towards Informatics-Driven Design of Nuclear Waste Forms
该研究提出信息学驱动的核废料固化体设计指导原则,采用系统设计方法结合闭环序贯学习框架,整合物理模拟、机器学习与实验,成功验证含Na和Nd的磷酸盐陶瓷固化体,并展望其在核废料净化中的应用。
2024-05-16 cond-mat.mtrl-sci
Materials Informatics Transformer: A Language Model for Interpretable Materials Properties Prediction
Carnegie Mellon University(卡内基梅隆大学)
本文提出材料信息学变换器(MatInFormer),通过分词空间群信息学习晶体学语法,并整合MOF数据,在14个数据集上验证了其可解释的材料性能预测能力。
2023-09-01 cond-mat.mtrl-sci cs.LG physics.chem-ph
A materials informatics approach to the identification of one-band correlated materials analogous to the cuprates
铜氧化物高温超导体的一个重要而又极其罕见的性质是在低能谱中存在一个单一的相关$d$带,导致单带哈伯德模型作为最小描述。为了寻找具有强相关物理性质的材料以及单能带哈伯德模型的基准体系,本文提出了一种利用材料信息学的新兴领域寻找类似于铜氧化物的单能带相关材料的新方法。利用开放量子材料数据库中超过50万种真实和假设的无机晶体材料的组成、结构和形成能,我们寻找其标称过渡金属$d$电子计数和晶场与实现隔离半填充$d$带兼容的可合成材料。基于密度泛函理论能带结构计算,五种铜化合物(包括溴代物、氧化物、硒酸盐和焦磷酸盐化学物质)成功实现了单能带电子结构。进一步的计算,包括磁性和明确的现场库仑相互作用揭示了强关联物理在五个候选人,包括莫特绝缘行为和反铁磁性的重要证据。我们的数据驱动方法在发现新的相关材料方面的成功为设计和发现具有罕见电子特性的材料开辟了新的途径。
2018-06-25 cond-mat.mtrl-sci cond-mat.str-el
Transfer learning for materials informatics using crystal graph convolutional neural network
为了成功地将机器学习应用于材料信息学,有必要克服由于数据量不足而导致的预测不准确。在这项研究中,我们提出了一种使用晶体图卷积神经网络(TL-CGCNN)的迁移学习。在本文中,TL-CGCNN使用大数据(例如晶体结构的形成能)进行预训练,然后用于使用相对较小的数据预测目标属性。我们确认TL-CGCNN可以改善对各种性质的预测,如体积模量,介电常数和准粒子带隙,这些性质对计算要求很高,以构建材料的大数据。此外,我们定量地观察到,随着预训练模型中训练数据集大小的增加,通过TL-CGCNN对目标模型中属性的预测变得更加准确。最后,我们确认TL-CGCNN在预测目标属性方面优于其他回归方法,这些方法的数据量较小。因此,我们得出结论,TL-CGCNN很有前途,可以为易于积累且与目标属性相关的材料编制大数据。
2021-01-29 cond-mat.mtrl-sci physics.comp-ph
Materials Informatics Reveals Unexplored Structure Space in Cuprate Superconductors
高温超导铜酸盐在广泛的能源应用中具有变革性的潜力。在这项工作中,我们分析了语料库的历史数据,使用材料信息学和重新审视它们的结构是如何与它们的临界温度(Tc)。现有的数据是高度聚集的,没有一个数据库包含所有感兴趣的功能,以适当地检查趋势。为了解决这些问题,我们采用了一种线性校准方法,使我们能够利用多个数据源-结合精细分辨率数据的Tc是未知的粗分辨率数据,它是已知的。构建的混合数据集使我们能够探索Tc与顶端和面内铜-氧距离的趋势。我们表明,材料空间的大区域尚未被探索,并强调依赖于晶体结构的纳米工程的新实验如何使我们能够探索这些新区域。基于所确定的趋势,我们建议单层Bi基铜酸盐是这种实验的良好候选系统。
2021-09-07 cond-mat.mtrl-sci cond-mat.supr-con
Establishing Deep InfoMax as an effective self-supervised learning methodology in materials informatics
Leverhulme Research Centre for Functional Materials Design(Leverhulme功能材料设计研究中心);University of Liverpool(利物浦大学);Department of Computer Science(计算机科学系);Department of Chemistry(化学系)
本文提出将 Deep InfoMax 作为材料信息学的自监督学习框架,通过最大化晶体点集表示与向量表示间的互信息,在无性质标签的大规模晶体数据上预训练 Site-Net 模型,从而提升小数据量下带隙和形成能预测的性能。
2024-06-30 cond-mat.mtrl-sci cs.LG
Materials Informatics for Dark Matter Detection
暗物质粒子通常被认为是质量在GeV到TeV范围内的弱相互作用大质量粒子(WIMP)。然而,最近的兴趣已经转向更轻的WIMP,这是更难以探测实验。亚GeV WIMP的探测需要在传感器中使用小间隙材料。使用最近的估计的WIMP质量,我们确定了相关的目标空间对小间隙材料(100-10毫电子伏)。狄拉克材料,一类小间隙或零间隙材料,成为探测暗物质的传感器的天然候选者。我们建议使用信息学工具来快速分析材料的能带结构,以寻找小间隙的半导体和半金属,而不是集中在几个预选化合物。作为所提出的策略的一个具体的例子,我们使用的有机材料数据库(omdb.diracmaterials.org),以确定传感器的有机候选人:窄带隙半导体BNQ-TTF和DEBTTT的间隙为40和38毫电子伏,和Dirac线半金属(BEDT-TTF)$\cdot$ Br,表现出微小的间隙时,包括自旋轨道耦合的$\approx$ 50毫电子伏。我们概述了一种新的和强大的方法来寻找暗物质检测传感器材料,通过使用信息学工具的材料的快速分析。
2018-08-23 astro-ph.HE astro-ph.IM cond-mat.mtrl-sci
Superconductor discovery in the emerging paradigm of Materials Informatics
Georgia Institute of Technology(佐治亚理工学院);Japan Advanced Institute of Science and Technology(日本国立情报学研究所);University of Bayreuth(拜罗伊特大学);National Institute for Materials Science(物质·材料研究机构)
本文综述了极高压氢化物基超导体计算发现领域的进展,梳理了理论、计算及新兴AI/ML方法的现状与挑战,指出多方法协同整合将为AI/ML在该领域发挥更大作用带来机遇。
2025-10-29 cond-mat.mtrl-sci cond-mat.supr-con
Citrine Informatics: Chemical & Materials Development Platform
Citrine Informatics
该研究针对数据驱动材料发现面临的实验数据难复用、模型性能评估不准及设计空间受限等问题,提出Citrine平台,经四个协作阶段及相关方法,在多个案例研究中实现实验工作量大幅减少,促进各层共同发展。
2026-08-05 cond-mat.mtrl-sci
Large language model-enabled automated data extraction for concrete materials informatics
Department of Civil and Environmental Engineering, Rice University(Rice大学土木与环境工程系);Rice Advanced Materials Institute, Rice University(Rice大学先进材料研究所);Ken Kennedy Institute, Rice University(Rice大学肯尼迪研究所);Independent researcher(独立研究员)
本文提出一种基于大语言模型的自动化数据提取方法,用于从非结构化科学文献中提取混凝土材料数据,构建了最大的开放实验室数据库,提升了材料信息学的数据基础设施发展。
2026-09-01 cond-mat.mtrl-sci cs.CL cs.LG
Universal Fragment Descriptors for Predicting Electronic Properties of Inorganic Crystals
从历史上看,材料的发现一直是由艰苦的试错过程驱动的。材料数据库的发展和新兴的信息学方法最终提供了将这种实践转化为数据和知识驱动的合理设计的机会。通过使用来自AFLOW存储库的数据进行高通量从头计算,我们已经生成了定量材料结构-性能关系(QMSPR)模型来预测八个关键的电子和热机械材料性能,例如金属/绝缘体分类,带隙能量,体积和剪切模量,德拜温度和热容。用这些QMSPR模型获得的预测精度接近几乎任何化学计量无机晶体材料的训练数据。这些模型的成功和普遍性归功于新材料描述符的构建--被称为通用属性标记材料片段(PLMF)。该表示只需要最小的结构输入,并提供简单的启发式设计规则,指导合理的材料设计方面的简单的模型解释。这项研究证明了材料信息学的力量,大大加快了新材料的搜索。
2017-03-24 cond-mat.mtrl-sci
Transfer Learning in Materials Informatics: structure-property relationships through minimal but highly informative multimodal input
本研究针对材料结构-性质关系预测,提出基于图像和文本架构的多模态迁移学习方法,验证预训练模型知识的跨域迁移性,为材料信息学领域低成本AI方法提供新思路。
2024-12-10 cond-mat.mtrl-sci physics.comp-ph
RadonPy: Automated Physical Property Calculation using All-atom Classical Molecular Dynamics Simulations for Polymer Informatics
数据驱动的材料研究的快速增长使得有必要开发系统设计的开放式材料特性数据库。然而,与其他材料系统(如无机晶体)相比,聚合物材料的开放数据库很少。为此,我们开发了RadonPy,这是世界上第一个用于全自动全原子经典分子动力学(MD)模拟的开源Python库。对于给定的聚合物重复单元,分子建模、平衡和非平衡MD计算以及性质计算的整个过程可以完全自动地进行。在这项研究中,15个不同的属性,包括导热系数,密度,比热容,热膨胀系数,和折射率,计算了超过1,000个独特的无定形聚合物。计算的性能进行了比较,并验证系统与实验值从PoLyInfo。在高通量数据生产过程中,确定了8种具有极高热导率(超过0.4 W/mK)的无定形聚合物,其中包括6种热导率未报告的聚合物。发现这些聚合物具有高密度的氢键单元或刚性主链。在RadonPy中实施的热传导分解分析揭示了产生无定形聚合物高热导率的潜在机制:通过聚合物链与其氢键单元之间的氢键和偶极-偶极相互作用或通过聚合物链之间的偶极-偶极相互作用进行传热。高刚性聚合物骨架的共价键。使用RadonPy创建大量计算性质数据将促进聚合物信息学的发展,类似于无机晶体的第一性原理计算数据库的出现如何显着推动新材料信息学的发展。
2022-03-26 cond-mat.mtrl-sci cond-mat.soft physics.comp-ph
High-dimensional Bayesian Optimization of Hyperparameters for an Attention-based Network to Predict Materials Property: a Case Study on CrabNet using Ax and SAASBO
训练成本高的深度学习模型可以从确定模型架构的超参数的优化中受益。我们优化了材料信息学模型的23个超参数,基于成分限制的注意力网络(CrabNet),使用自适应实验(Ax)平台中的两个模型进行了100多次自适应设计迭代。这包括最近开发的贝叶斯优化(BO)算法,稀疏轴对齐子空间贝叶斯优化(SAASBO),它在高维优化任务上表现出令人兴奋的性能。使用SAASBO优化CrabNet超参数,我们在材料信息学基准测试平台Matbench中展示了实验带隙回归任务的最新技术水平(相对于现任者,平均绝对误差(MAE)降低约4.5%)。自适应设计方案的特点,以及功能的重要性描述为每个Ax模型。SAASBO具有很大的潜力,既可以改善现有的代理模型,如在这项工作中所示,并在未来的工作中,有效地发现新的,高性能的材料在高维材料科学搜索空间。
2022-03-19 cond-mat.mtrl-sci
First-Principles Prediction of Electronic Transport in Experimental Semiconductor Heterostructures via Physics-Based Machine Learning
电子输运性质预测的第一性原理技术近年来发展迅速。然而,它仍然是一个挑战,模型异质结构纳入可变性,由于制造工艺。基于机器学习(ML)的材料信息学方法(MI)越来越多地用于加速具有目标特性的新材料的设计和发现,并将第一性原理技术的适用性扩展到更大的系统。然而,很少有研究利用MI来学习电子结构性质,并使用这些知识来预测各自的输运系数。在这项工作中,我们提出了一个电子传输信息学(ETI)框架,该框架训练小系统的从头算模型,并预测硅/锗异质结构的热电势超出了第一原理技术可访问的长度范围,与测量数据相匹配。我们展示了MI的应用,以提取重要的物理,确定电子输运在半导体异质结构,打破了追求的组合策略,特别是热电材料。我们预计,ETI将有广泛的适用性,以不同的材料类别。
2020-11-17 cond-mat.mtrl-sci
Informatics-Driven Selection of Polymers for Fuel-Cell Applications
Georgia Institute of Technology(佐治亚理工学院);Toyota Research Institute(丰田研究院)
现代燃料电池技术使用Nafion作为质子交换膜(PEM)的选择材料和粘合材料(离聚物),用于组装阳极和阴极的催化剂层。这些应用需要高质子传导性以及其他要求。例如,PEM预期阻止电子、氧和氢渗透和扩散,而阳极/阴极离聚物应允许氢/氧容易地移动,使得它们可以到达催化剂纳米颗粒。鉴于Nafion的一些众所周知的限制,例如低玻璃化转变温度,社区正在积极寻找Nafion的替代品。在这项工作中,我们提出了一个基于信息学的方案来搜索大型聚合物化学空间,其中包括建立目标应用所需的属性列表,为这些属性开发预测机器学习模型,定义搜索空间,并使用开发的模型来筛选搜索空间。使用该方案,我们已经确定了60种用于PEM、阳极离聚物和阴极离聚物的新聚合物候选物,我们希望这些聚合物将被推进到下一步,即,通过综合和测试验证设计。所提出的信息学方案是通用的,并且可以用于选择聚合物用于未来的多种应用。
2022-12-26 cond-mat.mtrl-sci cond-mat.soft physics.app-ph
OpenAaaS: An Open Agent-as-a-Service Framework for Distributed Materials-Informatics Research
National Key Laboratory of AI for Materials Science(人工智能材料科学国家重点实验室);Tianmushan Laboratory(天幕山实验室);Beihang University(北京航空航天大学)
OpenAaaS提出一种开源的分层分布式代理即服务框架,通过代码流、数据不动原则实现跨领域安全集成,解决材料设计中的长期迭代和复杂机制问题。
2026-05-13 cond-mat.mtrl-sci cs.AI
CheMLFlow: An Open-Source Platform for Cheminformatics and Materials Informatics Applications
CheMLFlow是用于构建端到端高通量智能体工作流的开源平台,可降低科学机器学习开发的编排开销,其在多类性质预测任务上达到文献性能,还支持非分子化学数据集的应用。
2026-08-06 cond-mat.mtrl-sci cond-mat.other cs.AI
Efficient Materials Informatics between Rockets and Electrons
The Pennsylvania State University(宾夕法尼亚州立大学);The Graduate School(研究生院)
本研究构建了跨原子、物理和设计尺度的多层次材料信息学基础设施,利用AI指导DFT和CALPHAD方法,设计了含超高温难熔高熵合金的功能梯度材料,以提升燃气轮机效率并减少碳排放。
2024-07-05 cond-mat.mtrl-sci cs.AI cs.DB
Shifting computational boundaries for complex organic materials
数据科学的方法学引发了材料信息学领域的发展,材料数据库是材料信息学的核心。将人工智能应用于这些数据库将有助于预测复杂有机晶体的性质。
2021-08-26 cond-mat.dis-nn cond-mat.mtrl-sci physics.chem-ph
POINT$^{2}$: A Polymer Informatics Training and Testing Database
University of Notre Dame(圣母大学)
研究引入POINT$^{2}$综合基准数据库与协议,利用多种ML模型和聚合物表示,实现性质预测、不确定性量化、可解释性及可合成性评估,推动聚合物发现与优化。
2025-03-30 cond-mat.mtrl-sci cs.AI cs.LG
ET-AL: Entropy-Targeted Active Learning for Bias Mitigation in Materials Data
Northwestern University(西北大学)
针对材料数据库中晶系覆盖不均导致的数据偏差,提出基于信息熵的度量指标和熵目标主动学习框架ET-AL,通过引导数据获取改善代表性不足晶系的多样性,从而缓解偏差并提升下游机器学习模型性能。
2023-02-20 cond-mat.mtrl-sci cs.DB cs.LG
A High-Throughput and Data-Driven Computational Framework for Novel Quantum Materials
该研究提出一个高通量数据驱动计算框架,结合第一性原理、材料信息学和机器学习,从约10^5种候选材料中筛选出50种由平面共轭有机分子插入双层TMDs及二氧化物形成的最稳定杂化量子材料。
2024-11-21 cond-mat.mtrl-sci
An accelerating approach of designing ferromagnetic materials via machine learning modeling of magnetic ground state and Curie temperature
磁性材料具有从信息学到能量收集和转换的大量应用。然而,这些功能受到磁有序温度的限制。在这项工作中,我们使用通用的化学和晶体结构描述符对磁性基态和居里温度(TC)进行了机器学习。基于2805个已知金属间化合物的数据库,训练随机森林模型来分类铁磁和反铁磁化合物,并对铁磁体的TC进行回归。分类的准确率约为86%,回归的准确率约为92%(平均绝对误差为58K)。基于组合的特征对于分类和回归都是足够的,而结构描述符提高了性能。最后,我们预测了材料计划中所有金属间化合物磁性材料的磁有序和TC。我们的工作为加速磁性材料的技术应用开发铺平了道路。
2019-08-05 cond-mat.mtrl-sci
Promises and technological prospects of two-dimensional Rashba materials
本文综述了二维Rashba材料的最新进展,探讨了Rashba效应在材料科学中的多样表现与挑战,旨在弥合基础研究与实际技术应用之间的差距,并指出了未来的发展方向。
2024-04-23 cond-mat.mtrl-sci
Transformer-based prediction of two-dimensional material electronic properties under elastic strain engineering
School of Materials Science and Engineering, Beijing Institute of Technology(北京理工大学材料学院);School of Chemistry and Chemical Engineering, Beijing Institute of Technology(北京理工大学化学与化学工程学院)
本文提出基于变换器的多目标替代模型框架,实现DFT级别的带隙预测精度,通过注意力权重分析保持可解释性,揭示剪切应变对带隙和声子稳定性的影响,为材料信息学加速深度弹性应变工程提供通用策略。
2026-03-20 cond-mat.mtrl-sci
The Materials Simulation Toolkit for Machine Learning (MAST-ML): an automated open source toolkit to accelerate data-driven materials research
随着数据科学和机器学习方法在材料研究领域发挥越来越重要的作用,需要开发易于使用的机器学习软件工具(即使对于没有编程能力的非专家),提供对最重要算法的灵活访问,并编纂机器学习模型开发和评估的最佳实践。在这里,我们介绍了用于机器学习的材料模拟工具包(MAST-ML),这是一个基于Python的开源软件包,旨在扩大和加速机器学习在材料科学研究中的应用。MAST-ML为许多输入设置,模型拟合和后分析任务提供了预定义的例程,以及用于执行多步机器学习模型工作流的简单结构。在本文中,我们描述了如何使用MAST-ML来简化和加速机器学习问题的执行。我们将介绍如何获取和运行MAST-ML,演示如何通过自定义输入文件执行监督机器学习工作流的不同组件,并展示在MAST-ML运行期间自动进行的许多功能和分析。此外,我们通过展示最近的材料信息学研究的例子来展示MAST-ML的实用性,这些研究使用MAST-ML来制定和评估各种材料应用的机器学习模型。最后,我们提出了MAST-ML如何与补充软件包和新兴的网络基础设施一起推进快速发展的材料信息学领域的愿景,重点是轻松,可重复地生成机器学习模型,并以促进未来模型演变和改进的方式。
2019-10-14 cond-mat.mtrl-sci physics.comp-ph
Automated computation of materials properties
材料信息学为合理的材料设计提供了一条有前途的途径,取代了目前的试错法,加速了新功能材料的开发。通过使用复杂的数据分析技术,可以识别潜在的属性趋势,从而促进新设计规则的制定。这些方法需要大量一致生成的、可编程访问的材料数据集。使用标准化参数集的计算材料设计框架是产生此类数据的理想工具。这项工作回顾了最先进的计算材料设计,重点是这些自动化的$\textit{ab-initio}$框架。讨论了能够快速生成大型数据集的结构原型和自动纠错等功能,并展示了集成工作流程可以简化复杂属性(如热导率和机械稳定性)计算的方式。还描述了由$\textit{ab-initio}$计算组成的大型数据集的组织,以及使它们可编程地访问以用于统计学习应用程序的工具。最后,最近的进展,利用现有的数据来预测新的功能材料,如熵稳定的陶瓷,大块金属玻璃,热电,高温合金和磁铁,调查。
2018-05-15 cond-mat.mtrl-sci
Progress and Prospects in Two-Dimensional Magnetism of van der Waals Materials
Department of Physics, University of Michigan(密歇根大学物理系)
本文综述了范德华材料中二维磁性的基本概念、历史发展、最新进展及未来研究方向。
2024-01-24 cond-mat.mtrl-sci
Exploring Thermal Transport in Electrochemical Energy Storage Systems Utilizing Two-Dimensional Materials: Prospects and Hurdles
本文综述了二维材料及其异质结构在电化学储能系统中的热输运研究,涵盖理论模拟、机器学习预测及实验进展,并指出异质结构设计面临的多变量优化挑战与未来方向。
2023-09-05 cond-mat.mtrl-sci
Data-Driven Materials Discovery and Synthesis using Machine Learning Methods
实验[1-38]和计算[39-50]验证的机器学习(ML)文章根据训练数据的大小进行排序:1-100,101-10000和10000+在一个全面的集合中总结了该领域的传统和最新进展。该评论强调了合成,表征和预测的相互关联的领域。大小范围1-100主要由贝叶斯优化(BO)文章组成,而101-10000主要由支持向量机(SVM)文章组成。这些文章通常使用ML,特征选择(FS),自适应设计(AD),高吞吐量(HiTp)技术和领域知识的组合来增强预测性能和/或模型可解释性。交叉验证(G-CV)技术抑制了过度乐观的外推预测性能。依赖于AD的较小数据集通常能够识别具有所需特性的新材料,但在受约束的设计空间中这样做。在较大的数据集中,材料优化的低挂果实通常已经被发现,并且模型在外推到新材料时通常不太成功,特别是当模型训练数据有利于特定类型的材料时。对预测结果进行实验或计算验证的ML材料科学文章的大量增加表明了材料信息学与材料科学学科的相互渗透以及加速材料发现的现实世界应用。
2022-02-28 cond-mat.mtrl-sci
Prospects and challenges of quantum emitters in 2D materials
寻找理想的单光子源产生了极大的兴趣,在材料中发现新的发射体,以及开发新的操纵技术,以获得更好的控制发射体的属性。原子级薄的二维(2D)材料中的量子发射器已被证明具有非常有吸引力的高亮度、在环境条件下的操作以及与广泛的电子和光子平台集成的能力。这一观点强调了从二维材料产生量子光的一些最新进展,重点是六方氮化硼和过渡金属二硫属化物(TMD)。努力在工程和确定性创建阵列的量子发射器在2D材料,他们的电激发,并与光子器件集成进行了讨论。最后,我们讨论了外地面临的一些挑战以及近期为应对这些挑战所作的努力。我们提供了从2D材料到可控和可寻址的片上量子源的高效和可扩展的量子光产生的前景。
2021-04-15 cond-mat.mtrl-sci physics.optics
Image processing-based domain-matching simulation for heteroepitaxy
在单晶衬底上异质外延生长功能薄膜是电子材料研究中最普遍的课题之一。在这里,我们提出了一种基于图像处理的异质外延关系的快速模拟算法。从晶体结构自动生成的薄膜和衬底的各种晶格平面图像的叠加和旋转,快速验证了所有域匹配模式。此外,综合验证允许我们从多个角度讨论域匹配,例如失配,匹配周期和匹配格点密度。因此,所提出的算法将有助于材料信息学,简化了广泛的功能薄膜材料的研究。
2022-05-16 cond-mat.mtrl-sci physics.app-ph
Recent progress and challenges in magnetic tunnel junctions with 2D materials for spintronic applications
本文综述了基于二维材料的磁性隧道结在自旋电子学中的研究进展,系统讨论石墨烯、h-BN、MoS2、CrI3、Fe3GeTe2等二维材料作为电极或散射层如何应对MTJs面临的关键挑战,并展望了二维MTJs的未来发展方向。
2021-02-07 cond-mat.mtrl-sci
2D ferroelectrics and ferroelectrics with 2D: materials and device prospects
本文展望二维半导体与二维/三维铁电材料的融合,梳理其在非易失性存储、存内计算、神经形态计算、光电子和自旋电子器件中的前景及制备表征挑战。
2024-05-08 cond-mat.mtrl-sci physics.app-ph
Machine Learning Prediction of Charged Defect Formation Energies from Crystal Structures
Institute for Materials Research, Tohoku University(东北大学物质材料研究中心);Organization for Advanced Studies, Tohoku University(东北大学先进研究组织)
本文提出了一种基于晶体结构的机器学习方法,用于预测电荷状态下缺陷形成能,并通过实验验证了其在氧空位预测中的有效性,同时识别出潜在的光伏材料。
2025-12-12 cond-mat.mtrl-sci
Orchestration of Heterogeneous Experimental Machines via ROS2 for Automated Bulk Intermetallic Synthesis
本文提出了一种基于ROS2控制的自动化电弧熔炼系统,能够同时处理多种实验装置和元素以合成金属间化合物,旨在加速数据驱动的材料探索的实验验证。
2025-09-15 cond-mat.mtrl-sci
Examining graph neural networks for crystal structures: limitations and opportunities for capturing periodicity
从历史上看,材料信息学依赖于人类设计的材料结构描述符。近年来,已经提出了图神经网络(GNN),用于从数据端到端学习晶体结构的表示,产生针对下游预测任务优化的向量嵌入。然而,缺乏一个系统的方案来分析和理解GNN捕获晶体结构的限制。在这项工作中,我们建议使用人类设计的描述符作为人类知识库,以测试黑盒GNN是否可以捕获晶体结构的知识。我们发现,目前最先进的GNN不能很好地捕捉晶体结构的周期性,我们分析了GNN模型的局限性,导致这种失败从三个方面:本地表达能力,远程信息,读出功能。我们提出了一个初始的解决方案,混合描述符与GNNs,以提高GNNs的预测材料的性能,特别是声子内能和热容与90%的低误差,我们分析了改进的预测机制。所有的分析都可以很容易地扩展到其他深度表征学习模型、人类设计的描述符以及分子和非晶材料等系统。
2023-03-27 cond-mat.mtrl-sci
High entropy oxides: An emerging prospect for magnetic rare earth - transition metal perovskites
它已被证明,氧化物陶瓷含有多种过渡和/或稀土元素在等摩尔比具有强烈的倾向,结晶在简单的单相结构,稳定的高构型熵。类似于金属合金系统,这些氧化物被表示为高熵氧化物(HEO)。HEO概念允许进入多元相图中迄今未知的领域。在已经实现的结构中,存在高度复杂的稀土-过渡元素钙钛矿类。通过应用高熵稳定化的创新概念产生的这类迷人的材料提供了一个新的和多方面的研究空间,有望发现前所未有的性质和现象。本研究提供了第一次调查选定的化合物的这种新型材料的磁性。通过直流和交流磁力测量的综合研究与元素特定光谱相结合,以了解系统中磁交换和高度化学无序之间的相互作用。我们观察到一个占主导地位的反铁磁行为的单相材料,结合一个小的铁磁贡献可能源于小的铁磁簇或配置在反铁磁矩阵。从长远来看,建议用高通量方法筛选这类化合物的性质,包括实验和理论相结合的方法。
2019-03-12 cond-mat.mtrl-sci
MatterTune: An Integrated, User-Friendly Platform for Fine-Tuning Atomistic Foundation Models to Accelerate Materials Simulation and Discovery
Georgia Institute of Technology(佐治亚理工学院)
针对原子机器学习模型数据需求高、难以应用于数据稀疏问题的局限,本文提出MatterTune平台,通过集成原子基础模型并提供先进微调能力,降低应用门槛,加速材料模拟与发现。
2025-04-14 cond-mat.mtrl-sci cs.AI cs.LG
Machine-learning-assisted thin-film growth: Bayesian optimization in molecular beam epitaxy of SrRuO3 thin films
利用机器学习技术的材料信息学,例如,贝叶斯优化(BO)具有根据新测量的数据通过机器学习模型的增量更新来提供薄膜生长条件的高通量优化的潜力。在这里,我们展示了基于BO的分子束外延(MBE)的SrRuO 3,在氧化物电子学的研究领域中最深入研究的材料之一,主要是由于其独特的性质作为一种铁磁金属。为了简化纠缠增长条件的复杂搜索空间,我们对单个条件运行BO,同时保持其他条件不变。其结果是,高结晶质量的SrRuO 3膜表现出高的剩余电阻率比(RRR)超过50,以及强的垂直磁各向异性的开发,在只有24 MBE生长运行中,其中Ru通量率,生长温度,和O3-坩埚到衬底的距离进行了优化。我们基于BO的搜索方法提供了一种高效的实验设计,不依赖于单个研究人员的经验和技能,它减少了实验时间和成本,这将加速材料研究。
2019-08-02 cond-mat.mtrl-sci
Multicrossmodal Automated Agent for Integrating Diverse Materials Science Data
针对材料科学多模态数据孤立、整合困难的问题,提出带动态门控机制的多跨模态LLM智能体框架,无需微调模型即可实现异构数据统一推理,在多项任务上显著优于基线。
2025-05-21 cond-mat.mtrl-sci
Accelerated materials property predictions and design using motif-based fingerprints
数据驱动的方法对于计算材料的发现和设计特别有用,因为它们可以用于快速筛选大量材料,从而为进一步的深入研究提供领先的候选人。这种方法的一个核心挑战是开发材料的数字表示,通常称为指纹。受化学信息学的启发,我们提出了一类基于模体的拓扑指纹,用于由C、O、H、N、F等元素组成的材料,他们的协调偏好是众所周知的。我们表明,这些指纹,当代表分子或晶体时,可以有效地映射到各种属性使用基于相似性的学习模型,因此可以用来预测材料的相关属性,因为它的指纹可以被定义。介绍了两个简单的程序,以证明学习模型可以被倒置,以确定所需的指纹,然后,重建具有一组目标属性的分子。
2015-03-28 cond-mat.mtrl-sci physics.chem-ph
Designing magnetism in Fe-based Heusler alloys: a machine learning approach
结合材料信息学和高通量电子结构计算提供了快速表征复杂磁性材料的可能性。在这里,我们证明了在从头计算水平上计算的电子性质数据集可以有效地用于识别和理解磁性材料的物理趋势,从而为加速材料发现开辟了新的途径。以数据为中心的方法之后,我们利用在密度泛函理论水平计算的Heusler合金的数据库来识别在$X_2$ Fe $Z$ Heusler原型中邻近Fe的理想离子。Fe与最近邻的$X$离子的杂化被发现会引起原位Fe电荷的重新分布和其磁矩的净增加,其磁矩与$X$的价态成正比。因此,后过渡金属是生产高磁矩铁基Heusler磁体的理想Fe邻居。同时,热力学稳定性分析发现,限制$Z$的主族元素。机器学习回归器,训练预测磁矩和赫斯勒合金的体积,用于确定属于所提出的原型的所有材料的磁化。我们发现Co $_2$ Fe $Z$合金,特别是Co $_2$ FeSi,使磁化强度最大化,其达到高达1.2T的值。这是在良好的协议与从头算和实验数据。此外,我们确定Cu $_2$ Fe $Z$系列是具有成本效益的材料类别,提供约0.65 T的磁化强度。
2017-06-06 cond-mat.mtrl-sci
A case study of multi-modal, multi-institutional data management for the combinatorial materials science community
本研究针对组合材料科学中实验数据管理缺乏标准化的问题,提出并展示了一个低门槛仪表板开发案例,用于多机构多模态数据的组织、分析与可视化,以支持数据驱动的热电材料发现,并展望其推广至更广泛的材料数据管理。
2024-02-06 cond-mat.mtrl-sci
Methods for comparing uncertainty quantifications for material property predictions
最近,数据科学和信息学工具在计算材料科学和催化领域不断涌现。这种扩散已经摒弃了用于自动化材料筛选、发现和设计的各种框架的创建。支撑这些框架的是替代模型,其预测具有不确定性估计。这些不确定性估计有助于确定下一步筛选哪些材料,但计算催化领域尚未有标准程序来判断这种不确定性估计的质量。在这里,我们提出了一套来自机器学习社区的数字和性能指标,可用于判断这种不确定性估计的质量。该套件可定量探测模型的准确性、校准和清晰度。然后,我们展示了一个案例研究,我们判断各种方法预测密度泛函理论计算的吸附能。在这里研究的方法中,我们发现表现最好的是一个模型,其中卷积神经网络用于向高斯过程回归器提供特征,然后预测吸附能以及相应的不确定性估计。
2020-02-20 cond-mat.mtrl-sci physics.comp-ph
Spin and Magnetism in 2D Materials
本文综述了近年来二维材料的自旋和磁性研究进展,包括石墨烯、过渡金属二硫属化合物和二维磁体。我们还讨论了挑战和前景的自旋电子学与二维范德华异质结构的未来。
2020-03-17 cond-mat.mes-hall cond-mat.mtrl-sci
Toward Accurate Interpretable Predictions of Materials Properties within Transformer Language Models
提出一种基于文本描述的材料表示方法,利用在2百万篇文献上预训练的Transformer语言模型进行材料性质预测,该方法在多数任务上优于晶体图网络,在超小数据下表现优异,且具备高可解释性。
2023-03-21 cond-mat.mtrl-sci physics.comp-ph