Interpretable Material Spatial Intelligence for Discovery of Governing Microstructural Features
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Dayton Research Institute(代顿大学研究所);University of California San Diego(加州大学圣地亚哥分校);NASA Marshall Space Flight Center(美国国家航空航天局马歇尔太空飞行中心);NASA Glenn Research Center(美国国家航空航天格伦研究中心);Pennsylvania State University(宾夕法尼亚州立大学);University of Connecticut(康涅狄格大学);AIMETRA
提出材料空间智能(MSI)框架,通过多模态表示学习直接从空间观测数据中编码微观结构信息,实现性能预测、解释和优化,并识别主导力学行为的关键特征。
2026-06-24 cond-mat.mtrl-sci
Identifying Highly Deformable van der Waals Layered Chalcogenides with Superior Thermoelectric Performance Using Deformability Factors and Interpretable Machine Learning
本研究结合形变因子与机器学习模型,从1000余种范德华层状硫族化合物中筛选出兼具高形变性与优异热电性能的NbSe₂Br₂,其热电性能达柔性无机材料最优水平,有望推动柔性热电器件发展。
2024-10-08 cond-mat.mtrl-sci physics.comp-ph
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
MODNet -- accurate and interpretable property predictions for limited materials datasets by feature selection and joint-learning
为了准确预测材料特性,目前的机器学习方法通常需要大量的数据,而这些数据在实践中往往是不可用的。在这项工作中,提出了一个全面的框架,它依赖于前馈神经网络,选择物理上有意义的功能,并在适用的情况下,联合学习。除了在训练时间方面更快之外,这种方法在小数据集上的表现优于当前的图网络模型。特别是,在305 K的晶体的振动熵预测的平均绝对测试误差为0.009 meV/K/原子(比以前的研究低四倍)。此外,与单目标学习相比,联合学习减少了测试误差,并能够同时预测多个属性,例如温度函数。最后,选择算法突出了最重要的特征,从而有助于理解底层物理。
2021-07-07 cond-mat.mtrl-sci
Interpretable and Explainable Machine Learning for Materials Science and Chemistry
Massachusetts Institute of Technology(麻省理工学院);Microsoft AI for Good Research Lab(微软AI向善研究实验室);Rutherford Appleton Laboratory(卢瑟福·阿普尔顿实验室);University of Reading(雷丁大学)
虽然材料科学和化学的数据驱动方法的采用处于令人兴奋的早期阶段,但要实现机器学习模型在成功科学发现中的真正潜力,它们必须具有超越纯粹预测能力的品质。模型的预测和内部工作应该提供一定程度的可解释性,允许识别潜在的模型问题或限制,建立对模型预测的信任,并揭示可能导致科学见解的意外相关性。在这项工作中,我们总结了可解释性和可解释性技术在材料科学和化学中的应用,并讨论了这些技术如何提高科学研究的结果。我们讨论了在材料科学和更广泛的科学环境中可解释机器学习的各种挑战。特别是,我们强调通过纯粹解释机器学习模型来推断因果关系或达到泛化的风险,以及模型解释的不确定性估计的必要性。最后,我们展示了其他领域的一些令人兴奋的发展,这些发展可能有利于材料科学和化学问题的可解释性。
2021-11-03 cond-mat.mtrl-sci cs.LG
Inelastic Constitutive Kolmogorov-Arnold Networks: A generalized framework for automated discovery of interpretable inelastic material models
Computational Mechanics in Medicine, Applied Medical Engineering, RWTH Aachen University(医学计算力学与应用医学工程,亚琛工业大学);Institute for Continuum and Material Mechanics, Hamburg University of Technology(连续力学与材料力学研究所,汉堡工业大学);Institute of Applied Mechanics, University of Erlangen-Nuremberg(应用力学研究所,埃尔朗根-纽伦堡大学);Institute of Material Systems Modeling, Helmholtz-Zentrum Hereon(材料系统建模研究所,海德堡中心)
研究固体力学中材料本构关系识别问题,借助非弹性本构柯尔莫哥洛夫 - 阿诺德网络,能自动发现描述材料弹塑性行为的符号本构定律,用合成与实验数据验证其优势。
2026-07-20 cond-mat.mtrl-sci cs.AI physics.comp-ph
Learning interpretable surface elasticity properties from bulk properties
Center for Integrated Nanotechnologies, Sandia National Laboratories(桑迪亚国家实验室集成纳米技术中心)
本文提出基于神经网络的方程学习器,从原子模拟中学习可解释的表面弹性质,揭示了表面弹性的几何驱动和材料依赖性,建立了体性质到表面弹性的映射。
2025-12-02 cond-mat.mtrl-sci
Robust and Interpretable Adaptation of Equivariant Materials Foundation Models via Sparsity-promoting Fine-tuning
KAIST(韩国科学技术院);Seoul National Univ.(首尔国立大学);KIAS(韩国宇宙科学研究所);Ewha Womans Univ.(成均馆大学);Kangwon National Univ.(江原国立大学)
提出稀疏性促进微调方法,利用E(3)等变材料基础模型的结构特性选择性更新参数,在能量和力预测任务中以约3%参数达到或超越全微调性能,并展示在磁矩预测等任务中的泛化性和可解释性。
2026-06-18 cond-mat.mtrl-sci cs.LG
An interpretable formula for lattice thermal conductivity of crystals
本研究提出一种可解释、基于物理的晶体晶格热导率计算公式,兼具高精度与快速度,可用于大规模材料预测,助力微观热输运研究及目标热导率材料的设计筛选。
2024-09-06 cond-mat.mes-hall cond-mat.mtrl-sci physics.comp-ph
Bridging Fidelities to Predict Nanoindentation Tip Radii Using Interpretable Deep Learning Models
随着对小型化结构和功能材料的需求增加,对精确材料表征的需求也扩大了。纳米压痕是一种流行的方法,可用于测量材料的机械行为,从而实现高通量实验,并且在某些情况下,还可以通过扫描提供压痕区域的图像。压痕和扫描都可能导致针尖磨损,从而影响测量。因此,需要尖端半径的精确表征来改善数据评价。介绍了一种数据融合方法,该方法使用有限元模拟和实验数据,使用可解释的多保真度深度学习方法以有意义的方式原位估计尖端半径。通过解释机器学习模型,它表明,该方法能够准确地捕捉物理压痕现象。
2022-07-01 cond-mat.mtrl-sci
Topological descriptor for interpretable thermal transport prediction in amorphous graphene
The University of Osaka(大阪大学);Toyota Technological Institute(名古屋工业大学);SANKEN, The University of Osaka(大阪大学综合研究)
本研究利用持续同调作为拓扑描述符,实现了非晶石墨热传输预测的可解释性,揭示了结构特征与热导率的关系。
2025-12-15 cond-mat.mtrl-sci
Data-efficient and Interpretable Inverse Materials Design using a Disentangled Variational Autoencoder
Institute for Experiential AI, Northeastern University(东北大学体验式人工智能研究所);The Roux Institute, Northeastern University(东北大学鲁克斯研究所)
本文提出了一种基于解耦变分自编码器的半监督学习方法,用于高效且可解释的逆材料设计,通过解耦潜在变量与目标属性提升模型鲁棒性与可解释性。
2026-02-10 cond-mat.mtrl-sci cs.LG
Beyond Diamond: Interpretable Machine Learning Reveals Design Principles for Quantum Defect Host Materials
SRM Institute of Science and Technology(SRM科学与技术学院)
本研究通过可解释机器学习方法,揭示了量子缺陷宿主材料的设计原则,识别出122种高置信度候选材料,并验证了介电屏蔽作为相干性的代理指标。
2026-04-23 cond-mat.mtrl-sci
Interpretable Nanoporous Materials Design with Symmetry-Aware Networks
研究纳米多孔材料设计难题,用三维周期空间采样法分解结构,结合属性预测与位点贡献量化。训练模型在储气等性能预测上达先进水平,可解释预测并识别关键位点,为材料设计铺路。
2026-07-23 cond-mat.mtrl-sci cs.AI
A Physics-Informed Chemical Rule for Topological Materials Discovery
Anhui University(安徽大学)
本文提出一种结合组成、轨道和晶体学描述的物理启发化学规则,通过线性框架有效区分相同化学式但不同晶体结构的材料,提升拓扑材料发现的效率与准确性。
2026-04-07 cond-mat.mtrl-sci
Interpretable discovery of new semiconductors with machine learning
University of Toronto(多伦多大学);National Research Council of Canada(加拿大国家研究委员会);Vector Institute for Artificial Intelligence(向量人工智能研究所)
与从头算方法相比,材料的机器学习模型$^{1-5}$可以加速发现:深度学习模型现在可以以密度泛函理论(DFT)$^{6}$的十万分之一的成本再现DFT计算结果。为了在实验材料合成中提供指导,这些需要与准确而有效的搜索算法和与实验观察一致的训练数据相结合。在这里,我们报告了一种进化算法驱动的搜索,它使用机器学习的代理模型,这些模型是在以实验带隙为基准的高吞吐量混合功能DFT数据上训练的:深度自适应回归加权智能网络(DARWIN)。该策略能够在~10个$^8$三元组和10个$^{11}$四元组$^{7}$的材料空间中有效地搜索具有目标性质的候选物。它提供了可解释的设计规则,如我们的发现,在电负性之间的卤化物和B-位点阳离子的差异是一个强有力的预测三元结构的稳定性。作为一个例子,当我们寻求紫外发射,达尔文预测K $_2$ CuX $_3$(X = Cl,Br)作为一个有前途的材料家族,基于其电负性差异。我们合成并发现这些材料是稳定的,直接带隙的UV发射器。该方法还允许知识蒸馏供人类使用。
2021-01-12 cond-mat.mtrl-sci cs.LG
Interpretable Ensemble Learning for Materials Property Prediction with Classical Interatomic Potentials: Carbon as an Example
School for Engineering of Matter, Transport and Energy, Arizona State University(亚利桑那州立大学物质、运输与能源工程学院);Material Measurement Laboratory, National Institute of Standards and Technology(美国国家标准与技术研究院材料测量实验室)
针对材料性质预测中深度学习训练慢、黑箱且需精心设计描述符的问题,提出基于回归树的集成学习方法,以碳同素异形体数据集为例,用9种经典原子间势的分子动力学计算结果作输入,无需描述符即可更准确预测材料性质,且具备可解释性。
2023-07-24 cond-mat.mtrl-sci cs.LG
Interpretable Graph Neural Networks for Classifying Structure and Magnetism in Delafossite Compounds
Oak Ridge National Laboratory(橡树岭国家实验室)
本文提出了一种可解释的图神经网络,用于分类_delafossite_化合物的结构和磁性,通过堆叠序列和磁性状态预测,并揭示了驱动磁性行为的物理机制。
2025-11-29 cond-mat.dis-nn cond-mat.mtrl-sci
A closed-loop AI framework for hypothesis-driven and interpretable materials design
Massachusetts Institute of Technology(麻省理工学院)
本文提出一个闭环人工智能框架,将大语言模型驱动的自上而下假设生成与数据驱动的自下而上根因关联研究相结合,在超过85万种组合的五元阳离子二维钙钛矿体系中以不足0.004%的采样实现相纯设计规则发现,并在太阳能电池中验证了其性能与稳定性。
2025-09-23 cond-mat.mtrl-sci
Physically Interpretable Descriptors Drive the Materials Design of Metal Hydrides for Hydrogen Storage
Advanced Institute for Materials Research (WPI-AIMR), Tohoku University(东北大学先进物质研究院);Institute of Fluid Science, Tohoku University(东北大学流体科学研究所);Department of Materials Engineering, The University of Tokyo(东京大学材料工程系);Institute for Materials Research (IMR), Tohoku University(东北大学材料研究所)
本文提出基于最少物理可解释描述符的闭式模型,预测金属氢化物的质量氢密度和室温平衡压力,精度媲美机器学习,并揭示盐型与间隙型氢化物的性能权衡,指出Be基合金为兼顾两者的罕见候选。
2025-10-26 cond-mat.mtrl-sci
Interpretable physics-informed retrieval-augmented generation language model for end-to-end inorganic crystal synthesis planning
Zhengzhou University(郑州大学);Fudan University(复旦大学);Hefei National Laboratory(合肥国家实验室)
本研究开发可解释PIRAG-LM模型,构建含13820种晶体的SSKB,合成方法预测准确率达91.4%,指导合成5种新化合物,为材料发现与实验搭建桥梁。
2026-08-27 cond-mat.mtrl-sci
Ultra-fast interpretable machine-learning potentials
本文提出结合B样条基与正则化线性回归的可解释机器学习势,兼具物理可解释性、精度与超高速,比最先进机器学习势快2-4个数量级,可精确恢复经验势并准确预测DFT性质。
2023-05-25 cond-mat.mtrl-sci physics.comp-ph
Interpretable machine learning of magnetic transition temperature in Heusler magnets via hierarchical dependence extraction
RIKEN Center for Emergent Matter Science(RIKEN emergent matter science center);University of Tokyo(东京大学);University of Duisburg-Essen(杜伊斯堡-埃森大学)
研究铁磁和亚铁磁赫斯勒化合物磁转变温度\(T_c\)的材料依赖性,用层次依赖提取(HDE)程序确定其与化学成分和磁矩的关系并构建表达式,准确性与其他方法相当且可解释,阐明影响因素,支持新材料发现。
2026-07-10 cond-mat.mtrl-sci
Quantifying Disorder One Atom at a Time Using an Interpretable Graph Neural Network Paradigm
本研究利用图神经网络定义了物理可解释的局部无序度指标,将原子构型多样性编码为固液相间的连续谱,并在固液界面、多晶和晶界等场景中成功追踪时空演化,为量化复杂原子结构与宏观现象间关系提供了通用途径。
2022-06-16 cond-mat.dis-nn cond-mat.mes-hall cond-mat.mtrl-sci
Gradient-Based Training and Pruning of Radial Basis Function Networks with an Application in Materials Physics
University of Helsinki(赫尔辛基大学);Helsinki Institute for Information Technology(赫尔辛基信息技术研究所);Helsinki Institute of Physics(赫尔辛基物理研究所)
许多应用,特别是在物理学和其他科学中,需要易于解释和强大的机器学习技术。我们提出了一种完全基于梯度的技术,用于训练径向基函数网络,具有高效和可扩展的开源实现。我们推导出新的封闭形式的优化标准修剪模型的连续以及二进制数据出现在一个具有挑战性的现实世界的材料物理问题。修剪后的模型经过优化,可以根据对数据分布的知情假设,提供更大模型的紧凑和可解释版本。修剪模型的可视化提供了对确定固体物质中原子级迁移过程的原子配置的深入了解;这些结果可以为未来设计更合适的描述符用于机器学习算法的研究提供信息。
2020-04-06 cond-mat.mtrl-sci cs.LG physics.comp-ph
Interpretable learning of voltage for electrode design of multivalent metal-ion batteries
深度学习(DL)确实已经成为一种强大的工具,可以从大数据中快速准确地预测材料特性,例如当前商业锂离子电池的设计。然而,其实际效用的多价金属离子电池(MIB),最有前途的未来解决方案的大规模储能,是有限的,由于缺乏MIB数据的可用性和差的DL模型的可解释性。在这里,我们开发了一种可解释的DL模型,作为在小数据集限制(150~500)下学习多价MIB(二价镁,钙,锌和三价铝)电极电压的有效且准确的方法。使用实验结果作为验证,我们的模型比机器学习模型更准确,机器学习模型在小数据集范围内通常比DL更好。除了高精度外,我们的无特征工程DL模型是可解释的,它通过可视化神经网络层的向量自动提取原子共价半径作为电压学习的最重要特征。所提出的模型可能加速多价MIB材料的设计和优化,具有更少的数据和更少的领域知识限制,并在http://batteries.2dmatpedia.org/中为电池社区提供公开的在线工具包。
2022-01-12 cond-mat.mtrl-sci
Quantum-Annealing Enhanced Machine Learning for Interpretable Phase Classification of High-Entropy Alloys
提出量子增强机器学习框架,结合QBoost和QSVM模型并转化为QUBO问题,利用量子退火实现高熵合金六种相的快速、可解释且高精度分类。
2025-07-14 cond-mat.mtrl-sci
Charting the Landscape of Oxygen Ion Conductors: A 60-Year Dataset with Interpretable Regression Models
Institute for Materials Research, Tohoku University(东北大学物质材料研究研究所);Department of Materials Science, Graduate School of Engineering, Tohoku University(东北大学大学院工学研究科材料科学系);Organization for Advanced Studies, Tohoku University(东北大学先进教育研究机构)
本文提供了一个涵盖60年数据的氧离子导体数据集,并通过可解释的回归模型揭示了氧离子传输的主要影响因素。
2026-01-23 cond-mat.mtrl-sci
Benefits of Resource Strategy for Sustainable Materials Research and Development
材料和产品的生命周期是基于技术特定要素的复杂价值链。关键和战略原材料的资源战略方面对新功能材料的应用或新产品的开发有直接影响。因此,现代材料科学面临的一个紧迫挑战是获得有关资源利用的供应风险和环境方面的信息,特别是在基础研究的早期阶段。结合材料科学,工业工程和资源战略领域,使一个多学科的研究方法,以确定特定的风险在价值链中,汇总为所谓的资源关键性。在这里,我们展示了一步一步的关键性评估部门的基础材料研究的多功能六方晶系锰氧化物YMnO 3,这可能是未来的电子系统的候选人。即使在材料研究的早期阶段,也可以从包括我们新开发的行业竞争指数在内的11个长期指标中定量识别原材料限制。这种现代材料科学资源战略的方法集成了两个目标:降低供应风险和增强新功能材料的环境可持续性,显示出缺点,但也有利于可持续材料的研究和开发。
2017-03-06 cond-mat.mtrl-sci
Development and Application of Nanocomposite Materials in Telecommunication Networks
本文讨论了纳米复合材料在光和亚太赫兹波段电信网络中的开发、生产和应用问题。实验结果是在饱和溶液中由Al_2O_3膜和KDP晶体生长纳米复合材料的基础上得到的。
2020-04-01 cond-mat.mtrl-sci physics.app-ph
Combinatorial approach for development of new metal oxides materials for all oxide photovoltaics
所有氧化物材料和器件研究的组合方法都是基于在一个实验中合成数百种相关材料。这种方法需要开发新的工具来快速表征这些材料库和新的技术来分析所产生的数据。这里介绍的研究旨在为满足这一需求做出贡献,从而推进材料研究的步伐。在许多情况下,光伏测定非常适合高通量方法,使直接定量分析的性能,其实现我证明我的论文。本论文的重点是开发和利用高通量和组合的方法,已纳入,或与,全氧化物光伏领域。新型吸波材料的开发通常需要新型的缓冲层、接触材料和界面工程。本论文讨论了组合材料科学方法在开发和快速表征新型和已知的金属氧化物薄膜用于全氧化物光致发光方面的重要性和贡献。
2015-08-19 cond-mat.mtrl-sci physics.chem-ph
Molecular and Materials Basic Ontology: development and first steps
新材料及其应用已成为一个关键的研究领域,而且看起来这种趋势不会很快改变。出于这个原因,需要系统和有效的方法来组织该领域的知识,并进行计算或实验研究比以往任何时候都更强烈。在这项工作中,我们提出了一个基本的实现MAMBO -分子材料及其在现实生活中的应用的本体。MAMBO的发展一直受到参与开发具有功能特性的新型材料的研究界的需求的指导,特别关注纳米级。MAMBO旨在扩展该领域目前的工作,同时保留模块化的性质,以便直接扩展概念和关系到相邻领域。我们的工作预计将使计算和实验数据在特定领域的兴趣(纳米材料,分子材料,有机聚合物材料,超分子和生物有机系统等)的系统集成。此外,MAMBO的开发重点是数据驱动框架的应用,用于设计具有定制特性的新型材料。
2022-01-18 cond-mat.mtrl-sci
Uncovering structure-property relationships of materials by subgroup discovery
亚组发现(SGD)在这里提出的数据挖掘方法,以帮助找到可解释的本地模式,相关性,和描述符的目标属性的材料科学数据。具体地说,我们将关注由密度泛函理论计算产生的数据。首先,我们证明了SGD可以识别物理上有意义的模型,将82个八位组二元半导体的晶体结构分类为岩盐或锌盐。SGD确定了一个可解释的二维模型,该模型仅从价s和p轨道的原子半径导出,该模型正确地对82个八重态二元半导体中的79个的晶体结构进行了分类。SGD框架随后被应用到24 400配置的中性气相金团簇与5至14个原子之间的几何和物理化学性质来辨别一般模式。例如,SGD有助于发现金团簇内的范德华相互作用与它们的回转半径线性相关,并且平面团簇比非平面团簇弱。此外,一个描述符,预测的化学硬度和集群异构体的稳定性之间的局部线性相关性被发现为均匀大小的金团簇。
2016-12-13 cond-mat.mtrl-sci
Commutative Algebra Modeling in Materials Science -- A Case Study on Metal-Organic Frameworks (MOFs)
Michigan State University(密歇根州立大学);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);Pacific Northwest National Laboratory(太平洋西北国家实验室)
本文首次将交换代数引入材料科学,提出类别特定交换代数(CSCA)框架,通过融合元素分类与多尺度代数不变量来表示MOFs,在气体吸附性质预测上实现与几何和图方法相当或更优的精度,同时显著提升可解释性与稳定性。
2025-11-05 cond-mat.mtrl-sci math.AC
Machine Learning for Materials Developments in Metals Additive Manufacturing
在金属增材制造(AM)中,材料和组件在单个过程中同时制造,因为金属层在最终用途产品所需的接近最终拓扑结构中彼此叠加制造。因此,必须同时控制和理解数十到数百个材料和零件设计自由度;因此,金属AM是一种高度跨学科的技术,需要同步考虑物理,化学,材料科学,物理冶金,计算机科学,电气工程和机械工程。使用现代机器学习方法对这些自由度进行建模可以减少阐明金属AM科学的时间和成本,并优化这些复杂的多学科过程的工程。大多数金属增材制造开发并不需要新的机器学习技术;那些用于材料科学其他领域的技术也适用于增材制造。最多产的是,自21世纪初以来,密度泛函理论(DFT)社区已经使用了其中的许多方法来评估元素和晶体结构的许多组合,以发现新材料。这篇以材料技术为重点的综述通过金属增材制造的视角介绍了机器学习的基本数学和术语,然后探讨了机器学习在推进金属增材制造方面的潜在用途,强调了与材料科学和制造业先前努力的许多相似之处,同时还讨论了金属增材制造特有的新挑战和适应性。
2020-05-11 cond-mat.mtrl-sci physics.app-ph physics.comp-ph
Interpretable machine learning to understand the performance of semi local density functionals for materials thermochemistry
本文用基于25个电子结构属性的ML模型校正PBE与SCAN在1011种固体上的生成焓,并借助PDP+GAM解释离子性导致的PBE系统误差。
2023-07-14 cond-mat.mtrl-sci
Electronic Materials with Wide Band Gap: Recent Developments
简要回顾了半导体电子学的发展,从第二次世界大战后锗器件(带隙$E_g=0.66$ eV)的发展开始。很快,从硅($E_g=1.12$ eV)开始,具有更宽带隙的替代材料的趋势变得明显。这提高了经典电子应用的信噪比。两种半导体都具有四面体配位,并且通过用碳或几种阴离子和阳离子等电子交替替换Ge或Si,获得了具有更宽的$E_g$的其他半导体,其对于可见光是透明的并且属于宽带隙半导体组。目前,一些氮化物,特别是GAN和AlN,是用于紫外和蓝色光谱区域的光发射的最重要的材料。氧化物晶体,如ZnO和$β$ $_2$ O $_3$,提供了类似的良好的电子性能,但在获得稳定的和技术上足够的$p$型导电性方面仍然存在显著的困难.
2014-07-01 cond-mat.mtrl-sci
Gradient correction scheme for bulk and defect positron states in materials: New developments
由于局域密度近似正电子计算系统地低估了正电子的寿命,当它们与实验结果相比时,正电子的广义梯度近似(GGA)在20世纪90年代被引入,类似于电子的GGA。本文综述了正电子广义几何近似的新进展,并讨论了它们对正电子寿命计算的影响和可能的改进。特别是,这些新的GGA方法是基于最近的扰动超网链和量子蒙特卡罗结果。
2014-07-15 cond-mat.mtrl-sci
New Generalized Informatics Framework for Development of Large Scale Virtual Battery Material Databases
在本文中,我们介绍了一种预测超过10万种与电池材料相关的尖晶石化合物容量的方法,从中我们提出了20种最有前途的候选材料。在电池设计中,选择合适的材料是困难的,因为有太多的指标需要考虑,包括容量,这是一个基本的工程特性。使用报告的实验数据作为我们的出发点,我们演示了如何构建一个数据集,为电池材料的选择提供指导。虽然我们专注于锂基尖晶石结构的容量相关的电极材料在电池中的使用,在这里开发和演示的方法可以适应其他属性,结构和占位。此外,理论容量通常用作电池材料的材料设计的指导。在本文中,我们展示了这是如何不足以代表实验测量,而我们的方法弥补了这一差距,并提供了一个准确的计算表示的实验数据。
2022-03-16 cond-mat.mtrl-sci
Introducing MAMBO: Materials And Molecules Basic Ontology
近年来,随着计算和实验技术在新型材料设计和开发中的应用,人们迫切需要一种系统的、合理的、有效的方法来组织该领域的知识。在这项工作中,我们提出了在MAMBO的发展中进行的初步步骤-本体集中在组织的概念和知识的材料领域的基础上的分子和针对应用程序。我们的方法是由参与开发具有纳米级功能特性的新型分子材料的社区的需求指导的。因此,MAMBO旨在弥合材料科学领域本体论发展的差距。通过扩展当前在该领域的工作,MAMBO的模块化性质也允许直接扩展概念和关系到相邻域。我们的工作预计将使计算和实验数据在特定领域的兴趣(纳米材料,分子材料,有机聚合物材料,超分子和生物有机系统等)的系统集成。此外,MAMBO可用于开发数据驱动的集成预测框架,用于设计具有定制功能特性的新型材料。
2021-11-03 cond-mat.mtrl-sci
Interpretable Machine Learning for High-Strength High-Entropy Alloy Design
提出结合RELM与生成模型的框架预测优化FCC高熵合金屈服强度,引入加工参数使R²达0.915,并利用SHAP增强可解释性,成功发现两种屈服强度最高达937 MPa的新型合金。
2024-09-25 cond-mat.mtrl-sci
Improving Electrolyte Performance for Target Cathode Loading Using Interpretable Data-Driven Approach
IBM Almaden Research Center(IBM阿尔马登研究中心)
本文提出一种可解释的数据驱动方法,通过图深度学习模型优化4溶剂4盐电解液配方,使新型卤间电池在目标正极负载下比容量额外提升20%。
2024-09-03 cond-mat.dis-nn cond-mat.mtrl-sci cs.LG
Current developments in silicene and germanene
探索二维材料硅烯和锗烯的特殊性质是近年来十分活跃的研究领域。因此,本文回顾了最新的发展,重点放在基本材料的性能和可能的应用。
2015-12-19 cond-mat.mtrl-sci
Knowledge Discovery from Atomic Structures using Feature Importances
在分子水平上理解原子结构组分之间的相互作用对于在各种应用中设计新材料是必不可少的。这种需要超出了原子的数量和类型,它们的化学组成以及化学相互作用的性质的基本知识。更大的图像发生在量子水平上,可以通过使用密度泛函理论(DFT)来解决。然而,DFT的使用是一个计算繁重的过程,其结果不容易提供容易解释的原子相互作用的洞察力,这将是有用的信息,在材料设计。解决原子相互作用的另一种方法是使用可解释的机器学习方法,其中构建和分析预测DFT替代。本文的目的是提出这样一个程序,使用最近出版的可解释的距离为基础的回归方法的修改。我们的测试具有代表性的基准集的分子和一个复杂的混合纳米粒子证实了所提出的方法的可行性和实用性。
2023-02-28 cond-mat.mtrl-sci cs.LG
Interpretable machine learned predictions of adsorption energies at the metal--oxide interface
针对逆催化剂金属-氧化物界面吸附能DFT计算成本高的问题,提出ML加速工作流程,通过采样多样结合位点训练可解释与黑箱模型,揭示吸附调控因素,实现低成本外推预测,助力催化剂设计与微动力学建模。
2025-05-27 cond-mat.mtrl-sci
TXL Fusion: A Hybrid Machine Learning Framework Integrating Chemical Heuristics and Large Language Models for Topological Materials Discovery
Anhui University(安徽大学);University of Alabama at Birmingham(阿拉巴马大学伯明翰分校);Xiamen University(厦门大学);Shenzhen University(深圳大学);Beihang University(北京航空航天大学)
TXL融合通过整合化学启发法和大语言模型,提升拓扑材料发现的效率与准确性。
2026-07-15 cond-mat.mtrl-sci
High-Throughput Computational Screening and Interpretable Machine Learning of Metal-organic Frameworks for Iodine Capture
School of Instrumentation Science and Opto-electronics Engineering, Beihang University(北京航空航天大学仪器科学与光电工程学院);City University of Hong Kong(香港城市大学)
本研究结合高通量计算与机器学习,筛选了1816种MOF材料并预测其碘吸附性能,通过特征重要性分析与分子指纹揭示了影响吸附的关键化学与结构因素,为先进MOF材料的设计提供指导。
2025-02-14 cond-mat.mtrl-sci cs.AI cs.LG
High-Throughput Rapid Experimental Alloy Development (HT-READ)
当前的散装材料发现周期从最初的计算预测到制造和分析都存在一些效率低下的问题。材料通常以单一的方式进行评估,主要依赖于人为驱动的成分选择和对生成数据量的分析,因此也减缓了计算模型的验证。为了克服这些限制,我们开发了一种高通量快速实验合金开发(HT-READ)方法,该方法包括一个集成的闭环材料筛选过程,该过程受到广泛的化学分析和现代自动化创新的启发。我们的方法是一个通用的框架,统一的计算识别理想的候选材料,制造的样品库的配置服从多个测试和处理路线,和分析的候选材料在一个高通量的方式。人工智能代理用于找到成分和材料属性之间的联系。新的实验数据可以在后续迭代或新的设计目标中利用。样本库被分配了唯一的标识符并被存储,以使数据和样本持久化,从而防止机构知识的流失。
2021-02-11 cond-mat.mtrl-sci
The historical development of X-ray Absorption Fine Spectroscopy and of its applications to Materials Science
本文概述了X射线吸收精细谱(XAFS)自20世纪下半叶以来的发展。当时,同步加速器开始与X射线放电管竞争作为激发源,能够显示表征固体物质X射线吸收边的前边缘和近边缘结构(XANES)和扩展振荡(EXAFS)。实际上,现代XAFS始于1975年之后,当时来自储存环的硬X射线同步辐射接管了。从那时起,XAFS对材料科学的技术改进和理论发展都做出了巨大贡献。虽然X射线精细吸收的统一理论尚未达成,但XAFS的许多进展得益于计算能力的不断增长所带来的理论模型和复杂计算,同时有助于开发新的或以前从未使用过的材料。
2013-12-18 cond-mat.mtrl-sci
Material Development and Physical Properties of BiS2-Based Layered Compounds
在2012年,我们发现了Bi 4 O 4S 3和LaO 1-xFxBiS 2的超导电性,其晶体结构由BiS 2型导电层和阻挡层的交替堆叠组成。自发现以来,许多相关的超导体和功能材料被合成。此外,在最近的理论和实验研究中提出了非常规超导的可能性。此外,显着的局部结构和物理性能之间的相关性已被揭示在BiS 2为基础的系统。在这篇综述文章中,我们总结了过去六年中开发的BiS 2相关材料的材料开发(可能是所有化合物)和物理性能。在基于BiS 2的化合物中出现体超导电性的关键参数是母相(带绝缘体)的载流子掺杂、压力诱导的结构转变、面内化学压力和面内无序的抑制。我们系统地回顾了这些参数和设计新的超导体与BiS 2层的方法。此外,还对BiS 2基化合物作为热电材料的研究作了简要的综述。
2018-10-30 cond-mat.mtrl-sci cond-mat.supr-con
Accelerating Materials Development via Automation, Machine Learning, and High-Performance Computing
成功的材料创新可以改变社会。然而,材料研究往往涉及较长的时间表和较低的成功概率,劝阻投资者谁具有较短的时间从板凳到业务的期望。新兴技术的组合可以将新材料开发的速度加快10倍或更多,使利益相关者(投资者和研究人员),市场和环境的时间表保持一致,同时提高投资回报率。首先,工具自动化可以快速对候选材料进行实验测试。其次,高通量计算(HPC)集中实验带宽有前途的化合物通过预测和推断体,界面和缺陷相关的属性。第三,机器学习将前两者连接起来,实验输出自动完善理论并帮助定义下一个实验。我们描述了国家的最先进的尝试,以实现这一愿景,并确定资源缺口。我们相信,在未来十年,这种工具的组合将改变我们进行材料研究的方式。这其中有相当大的先发优势,特别是在能源和相关领域的重大挑战中,包括计算、医疗保健、城市化、水、食品和环境。
2018-03-20 cond-mat.mtrl-sci cs.CY
Recent Developments in Computer Modeling of Amorphous Materials
本文综述了近年来利用第一性原理电子结构/分子动力学技术研究非晶材料的一些进展。本文的主题是强调使用这种从头算方法的新方向。其中一些是相当新的,需要发展,但我们相信有希望解决新的和重要的玻璃和非晶材料的物理问题。首先,我们讨论第一性原理计算在广泛的轮廓和评论的各种近似在共同使用。然后,我们描述了形成非晶材料的计算机模型的方法。这是一个活跃的领域,除了明显的“熔体淬火”方法外,其他方法也显示出前景和实用性。在本文中,我们讨论了一种新的方法:“装饰和放松”,和一个新的实现反向蒙特卡罗方法。最后,我们讨论了电子性质的计算,特别是载流子输运和电子态的时间演化。
2003-12-23 cond-mat.dis-nn cond-mat.mtrl-sci
Development of a confocal rheometer for soft and biological materials
我们讨论了共聚焦流变仪的设计和操作,该流变仪由安东帕MCR301应力控制流变仪与Leica SP5激光扫描共聚焦显微镜集成而成。将两种商业仪器组合在一起,可以得到一个易于组装的系统,该系统保留了每个组件的性能,几乎不影响任何一种设备的精度。配置的仪器,使显微镜可以获得时间分辨的,三维体积的样品,其体积的粘弹性性能被同时测量。我们描述了几个方面的设计,并展示了系统的能力,提出了一些常见的测量软材料的研究结果。
2013-05-27 cond-mat.mtrl-sci cond-mat.soft
Development and Characterization of a Novel BaTiO3-Based Material for Medium Temperature Applications
本文开发了一种可在约353°C工作的BaTiO3基PTC材料,通过掺入炭黑、NBT和DOP实现高PTC强度和低电阻率,并验证了其在飞机发动机预热启动中的应用潜力。
2024-08-10 cond-mat.mtrl-sci physics.app-ph