A Topological\-Geometrical Descriptor (TGD) for Scalable and Interpretable Modeling of Two\-Dimensional Carbon Networks
University of Brasília(巴西利亚大学)
该研究提出拓扑-几何描述符(TGD),结合19个可解释特征,在平面碳网络建模中,相比Matminer表示精度更高,且对空位缺陷石墨烯的预测性能优于简单基线,兼具可扩展性与可解释性。
2026-10-15 cond-mat.mtrl-sci
How Can Machine Learning Accelerate CALPHAD Free Energy Modeling?
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);University of California, Berkeley(加州大学伯克利分校)
本文提出一种混合策略,通过将机器学习(ML)与Redlich-Kister(RK)框架结合,利用物理信息描述符学习相互作用系数,从而在数据有限的情况下扩展CALPHAD模型对新化学体系的预测能力。
2026-05-31 cond-mat.mtrl-sci
Electronic Structure Descriptors for CO$_2$ Conversion Activity in Perovskite Oxides
Kyungpook National University(庆北大学)
本研究通过电子结构描述符揭示钙钛矿氧化物中CO₂转化活性与未占据TM 3d带中心、电荷转移能及带宽比W₃d/W₂p的负相关,并利用BFS方法得到仅依赖W₃d/W₂p的拟合方程,成功筛选出La₂CoGaO₆等有前景的候选材料。
2026-10-08 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
Selectivity- and Activity-Aware Catalyst Descriptors for CO$_2$ Hydrogenation on Alloy Nanocatalysts using Machine-Learned Force Fields
Technical University of Munich(慕尼黑工业大学);Aalto University(阿尔托大学)
本文提出一种基于机器学习力场的改进框架,用于预测催化活性并分析选择性,通过分析不同晶面的吸附能分布,识别出高活性和甲醇选择性晶面,为高选择性CO₂氢化提供实验验证。
2026-09-11 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Systematic Study of Machine Learning Classification Algorithms of Zeolitic Imidazolate Framework Polymorphs
Sorbonne Université(索邦大学);Chimie ParisTech, PSL University(巴黎化学学院,巴黎文理研究大学)
本文通过神经网络分类器对ZIFs多形相进行实时分类,利用不同维度和力场的特征描述符提升分类准确性,并揭示ZIF-4-cp到ZIF-4-cp-II相变的机理细节。
2026-07-23 cond-mat.mtrl-sci
PyXtal FF: a Python Library for Automated Force Field Generation
我们提出了PyXtal FF,一个基于Python编程语言的软件包,用于开发机器学习潜能(MLP)。PyXtal FF的目标是通过在一个平台上提供多种结构描述符和机器学习回归来促进原子模拟的应用。基于给定的结构描述符(包括原子中心对称函数、嵌入原子密度、SO 4双谱和平滑SO 3功率谱)的选择,PyXtal FF可以用广义线性回归或神经网络模型训练MLP,同时最小化能量/力/应力张量与从头算模拟数据相比的误差。PyXtal FF中经过训练的MLP模型与原子模拟环境(ASE)软件包连接,该软件包允许进行不同类型的轻量级模拟,如几何优化、分子动力学模拟和物理性质预测。最后,我们将说明PyXtal FF的性能,将其应用于研究几种材料系统,包括散装二氧化硅,高熵合金NbMoTaW,和元素Pt的一般用途。PyXtal FF的完整文档可以在https://pyxtal-ff.readthedocs.io上找到。
2020-07-25 cond-mat.mtrl-sci physics.comp-ph
Mesoscopic Modeling of Structure-Transport Relationships in Dense CNT Films Containing Amorphous Carbon
Le Mans université(勒芒大学);Nanolayers Research Computing Ltd.(纳米层研究计算有限公司);Nantero Inc.(纳米特罗公司);University College London(伦敦大学学院)
采用粗粒化分子动力学构建含不同手性和长度的碳纳米管的介观模型,结合节点分析框架研究结构描述符对电输运的影响,发现高曲率、低束集和强连接性增强电流。
2026-05-26 cond-mat.mtrl-sci physics.comp-ph
Exploring Model Complexity in Machine Learned Potentials for Simulated Properties
本文构建硅、氮化镓和 LGPS 数据集,比较不同复杂度 ML 势模型的能量、力误差及其对模拟性质预测的影响,为模型选择提供依据。
2023-06-04 cond-mat.mtrl-sci physics.comp-ph
A critical assessment of bonding descriptors for predicting materials properties
Federal Institute for Materials Research and Testing(联邦材料研究与测试研究所);Friedrich Schiller University Jena(耶拿弗里德里希·席勒大学);UCLouvain(瓦隆布鲁塞尔天主教大学)
本文评估了结合描述符在预测材料性质中的作用,通过统计显著性检验评估了量子化学结合描述符对机器学习模型性能的影响,发现其能提升预测性能并揭示如投影力常数和晶格热导率等性质的直观表达。
2026-04-16 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Quantifying the dynamics of protein self-organization using deep learning analysis of atomic force microscopy data
使用高速原子力显微镜可视化的无机表面上的蛋白质自组装的动力学和由此产生的几何图案。经典的宏观描述符,如2D快速傅立叶变换(FFT),相关性和对分布函数的时间动力学探索使用无监督的线性解混,演示了静态有序和动态无序相的存在,并建立其时间动力学。开发基于深度学习(DL)的工作流程,以逐粒子分析详细的粒子动力学。除了宏观描述符,我们利用局部粒子的几何形状和配置的知识,探索局部几何形状的演变,并重建粒子之间的相互作用势。最后,我们使用基于机器学习的特征提取来定义粒子邻域的物理约束。这种方法允许分离粒子行为的可能类别,识别相关的转移概率,并进一步扩展这种分析以识别慢模式和相关配置,从而允许系统的时间动态的系统探索和预测建模。总体而言,这项工作建立了DL为基础的工作流程,从观测数据分析的自组织过程中的复杂系统,并提供了洞察的基本机制。
2020-06-05 cond-mat.dis-nn cond-mat.mtrl-sci physics.comp-ph
Modeling of micro- and nano-scale domain recording by high-voltage atomic force microscopy in ferroelectrics-semiconductors
计算了铁电半导体晶体中微畴和纳米畴在原子力显微镜针尖电场作用下的平衡尺寸。该畴被认为是一个扁长的半椭球体,畴壁相当薄。首次考虑了样品的半导体性质和畴壁的表面能,修正了Landauer模型。晶体内部的自由载流子导致在畴周围形成屏蔽层,该屏蔽层部分地将其内部与去极化场屏蔽。我们通过晶体材料参数(屏蔽半径、自发极化值、介电常数张量)和原子力显微镜针尖特征(电荷、曲率半径曲率半径)来表示畴的半径和长度。通过施加电压的畴半径的依赖关系是在一个很好的定量协议与高压原子力和扫描探针显微镜记录在铌酸锂和钽酸锂晶体的亚微米铁电畴。
2005-05-16 cond-mat.mtrl-sci
SG-NNP: Species-separated Gaussian Neural Network Potential with Linear Elemental Scaling and Optimized Dimensions for Multi-component Materials
本研究提出具有线性原子缩放、低信息简并度的新型高斯型描述符,构建SG-NNPs模型,经多组超参数与设计选择验证鲁棒性,在更低维度下于多种单组分及多组分材料的原子力、总能量预测上性能优于现有原子间势。
2024-07-09 cond-mat.mtrl-sci
Direction-aware topological descriptors for elastic stiffness tensor prediction in porous materials
Dioscuri Center in Topological Data Analysis, Institute of Mathematics, Polish Academy of Sciences(波兰科学院数学研究所拓扑数据分析迪奥苏里中心);Institute of Experimental Physics, University of Wrocław(弗罗茨瓦夫大学实验物理研究所);Faculty of Pure and Applied Mathematics, Wrocław University of Science and Technology(弗罗茨瓦夫科技大学纯与应用数学学院);Faculty of Mathematics and Computer Science, Adam Mickiewicz University(亚当·密茨凯维奇大学数学与计算机科学学院);IMDEA Materials Institute(IMDEA材料研究所)
本文提出方向感知TDA框架,通过嵌入压缩轴到过滤函数中,提升多孔材料方向依赖性预测的准确性,尤其在强各向异性情况下表现更优。
2026-09-01 cond-mat.mtrl-sci physics.comp-ph
Predicting Material Properties Using a 3D Graph Neural Network with Invariant Local Descriptors
物理性质的准确预测对于发现和设计新材料至关重要。机器学习技术因其大规模筛选的潜力而引起了材料科学界的极大关注。图卷积神经网络(GCNN)是最成功的机器学习方法之一,因为它在描述3D结构数据方面的灵活性和有效性。现有的GCNN模型大多关注于拓扑结构,但过度简化了三维几何结构。然而,在材料科学中,原子的三维空间分布对于确定原子状态和原子间力至关重要。本文提出了一种具有新卷积机制的自适应GCNN,该机制同时对三维空间中所有相邻原子之间的原子相互作用进行建模。我们将所提出的模型应用于预测材料性能的两个具有明显挑战性的问题。第一个是金属有机框架(MOFs)中气体吸附的亨利常数,这是众所周知的困难,因为它对原子构型的高度敏感性。第二个是固态晶体材料中的离子电导率,这是困难的,因为很少有标记的数据可用于训练。新模型在这两个数据集上的表现都优于现有的基于图形的模型,这表明关键的三维几何信息确实被捕获了。
2021-11-22 cond-mat.mtrl-sci cs.AI
Analysis of the Compaction Behavior of Textile Reinforcements in Low-Resolution In-Situ CT Scans via Machine-Learning and Descriptor-Based Methods
Institute of Lightweight Engineering and Polymer Technology(轻质工程与聚合物技术研究所);Center for Scalable Data Analytics and Artificial Intelligence Dresden/Leipzig (ScaDS.AI)(可扩展数据分析与人工智能中心(Dresden/Leipzig))
本研究提出结合3D-UNet分割与两点相关函数S₂的分析框架,利用低分辨率原位CT量化纺织增强材料压实过程中的嵌套效应,验证结果吻合度高,为复合材料预成型件结构分析提供可靠方法。
2025-08-13 cond-mat.mtrl-sci cs.CV physics.app-ph
Mixture of Polyconvex Neural Potentials for Parametric Hyperelasticity: Towards Foundation Material Models
Cornell University(康奈尔大学);Neural Solid;École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);Sandia National Laboratories(桑迪亚国家实验室)
本研究提出基于输入凸神经网络的凸神经势混合模型,通过PolyJet实验和Gent型基准验证其对材料组本构行为的泛化与数据效率优势。
2026-11-18 cond-mat.mtrl-sci physics.comp-ph
Resolving singular forces in cavity flow: Multiscale modeling from atoms to millimeters
流体流动的多尺度方法的开发,保留了原子的描述在关键区域。该方法被应用到一个经典的问题,所有规模的贡献:在一个移动的墙壁上界定一个充满流体的空腔的力。连续介质方程预测了由于应力奇异性而产生的无穷大的力。在具有毫米和毫秒特征尺度的系统中跟踪超过六十年的应力,使我们能够首次解决奇点并确定力。与纯原子计算相比,加速超过14个数量级。我们发现一个普遍的依赖于宏观雷诺数,和大的原子效应,取决于壁速度和相互作用。
2005-08-09 cond-mat.mtrl-sci cond-mat.other
Active learning of reactive Bayesian force fields: Application to heterogeneous hydrogen-platinum catalysis dynamics
化学反应系统的精确建模传统上依赖于昂贵的从头算方法或灵活的键序力场,如ReaxFF,需要大量的时间,精力和专业知识来参数化。在这里,我们介绍FLARE++,贝叶斯主动学习方法,用于在分子动力学(MD)模拟过程中训练反应性多体力场。在自动训练循环期间,在MD模拟的每个时间步评估稀疏高斯过程(SGP)力场的预测不确定性,以确定是否需要额外的从头算数据。一旦经过训练,SGP就被映射到一个等效的、更快的模型上,该模型在局部环境描述符中是多项式的,其预测成本与训练集大小无关。我们将我们的方法应用于铂(111)表面上的非均相催化,氢分裂和复合领域的正则反应系统,在三天的壁时间内获得了一个训练模型,其速度是最近Pt/H ReaxFF力场的两倍,并且更加准确。我们的方法是完全开源的,预计将减少训练快速和准确的反作用力领域的复杂系统所需的时间和精力。
2021-06-03 cond-mat.mtrl-sci physics.comp-ph
Statistical learning of structure-property relationships for transport in porous media, using hybrid AI modeling
Institute of Particle Technology, Technical University of Braunschweig(布伦瑞克工业大学颗粒技术研究所);Institute of Stochastics, Ulm University(乌尔姆大学随机研究所)
本文利用混合AI框架(符号回归结合深度神经网络、遗传算法和图注意力网络)对90,000个虚拟多孔介质三维微观结构数据集进行学习,推导出结构描述符与有效输运性质间的精确解析方程,显著提升了材料科学中的预测建模能力。
2025-03-27 cond-mat.mtrl-sci cs.LG
Molecular Dynamics Modeling of Epoxy Resins using the Reactive Interface Force Field
聚合物材料的预测计算建模对于有效设计复合材料和相应的加工方法是必要的。分子动力学(MD)建模对于建立纯树脂的精确加工-结构-性能关系尤其重要。对于无定形聚合物材料的MD建模,准确的力场是可靠预测性能的基础。反应力场,其中化学键可以形成或打破,提供进一步的能力,在预测的无定形聚合物进行相对较大的变形的机械行为。为此,最近开发了反应界面力场(IFF-R),以提供一种有效的手段来预测这些条件下的材料行为。虽然IFF-R已被证明是准确的一些结晶有机和无机系统,它尚未被证明是准确的无定形聚合物系统。本研究的目的是使用IFF-R来预测三种不同环氧树脂体系的热机械性能,并与实验测量进行验证。结果表明,IFF-R预测的热机械性能与实验吻合。因此,IFF-R可用于在分子水平上可靠地确定聚合物的机械性能,以用于未来新复合材料和加工方法的设计。
2021-11-21 cond-mat.mes-hall cond-mat.mtrl-sci
On the Completeness of Atomic Structure Representations
多体描述符被广泛用于在机器学习的原子间势的构造中表示原子环境,并且更广泛地用于原子结构上的拟合、分类和嵌入任务。人们普遍认为三体描述符唯一地指定了原子的环境,直到类似原子的旋转和排列。我们产生了几个反例,这种信念,其后果是,任何分类器,回归或嵌入模型的原子为中心的属性,使用3(或4)体功能将不正确地给出相同的结果为不同的配置。将全局属性(如总能量)写为许多以原子为中心的贡献的总和,可以减轻但不能消除这一基本缺陷的影响,这解释了当前“机器学习”力场的成功。我们预测随着所需精度的提高而出现的问题,并提出潜在的解决方案。
2020-06-05 cond-mat.mtrl-sci physics.chem-ph