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
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
Inferring low-dimensional microstructure representations using convolutional neural networks
Boston University(波士顿大学);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
我们将机器学习和计算机视觉的最新进展应用于材料信息学的一个核心问题:微观结构图像的统计表示。我们在预训练的卷积神经网络中使用激活来提供一组合成显微结构图像的高维表征。接下来,我们使用流形学习来获得这种统计特征的低维嵌入。我们表明,低维嵌入提取用于生成图像的参数。根据各种指标,卷积神经网络方法产生的嵌入比仅从两点相关性导出的类似方法要好得多。
2018-11-30 cond-mat.mtrl-sci cs.CV physics.comp-ph
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
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
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
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
Constrained crystals deep convolutional generative adversarial network for the inverse design of crystal structures
自主发现具有所需性质的材料是材料科学的最终目标之一,目前的研究主要集中在基于密度泛函理论计算的高通量筛选和使用机器学习的物理性质的正向建模。应用深度学习技术,我们开发了一种生成模型,可以通过优化潜在空间中的形成能来预测不同的稳定晶体结构。结果表明,物理性质的优化可以集成到生成模型的顶部筛选或反向传播,都有自己的优势。将生成模型应用于Bi-Se二元体系,发现在整个组成范围内都可以得到不同的晶体结构,并且在生成的结构完全弛豫到平衡态后,凸包上的相可以再现。该方法可推广到多组分体系的多目标优化设计,为实现材料性能最优的逆设计奠定了基础。
2023-02-23 cond-mat.mtrl-sci physics.comp-ph
Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties
使用机器学习方法来加速晶体材料的设计通常需要手动构建特征向量或复杂的原子坐标变换来输入晶体结构,这要么将模型限制在某些晶体类型,要么难以提供化学见解。在这里,我们开发了一个晶体图卷积神经网络框架,可以直接从晶体中原子的连接中学习材料特性,提供晶体材料的通用和可解释的表示。我们的方法提供了一个高度准确的预测的密度泛函理论计算的性质为八个不同的性质的晶体与各种结构类型和组成后,与$10^4$数据点进行训练。此外,我们的框架是可解释的,因为人们可以提取的贡献,从当地的化学环境的全球性能。使用钙钛矿的例子,我们展示了如何利用这些信息来发现材料设计的经验规则。
2018-04-06 cond-mat.mtrl-sci
SimXRD-4M: Big Simulated X-ray Diffraction Data Accelerate the Crystal Symmetry Classification
针对粉末XRD训练数据不足的问题,本文构建含400余万个图谱的开源模拟数据集SimXRD,并评估21个序列学习模型,揭示晶体对称性的长尾分布及低频类别分类难点。
2025-02-17 cond-mat.mtrl-sci
A Heuristic Quantum-Classical Algorithm for Modeling Substitutionally Disordered Binary Crystalline Materials
提高能量计算的效率和准确性一直是材料信息学领域的重要和持续的兴趣,该领域将机器学习技术应用于计算材料数据。在这里,我们提出了一个启发式量子经典算法,有效地建模和预测替代无序二元晶体材料的能量。具体而言,设计和训练在晶格位点的数量上线性缩放的量子线路,以预测指数缩放特征空间中的量子化学模拟的能量。该电路使用从经典计算的量子化学模拟获得的数据通过经典监督学习进行训练。作为训练过程的一部分,我们引入了一个子例程,该子例程能够检测和纠正输入数据中的异常。该算法被证明在复杂的层状结构的锂钴酸盐系统,广泛使用的锂离子电池正极材料组分。我们的研究结果表明,所提出的量子线路模型提出了一个合适的选择,从这样的量子力学系统中获得的能量建模。此外,异常数据的分析提供了重要的见解研究系统的热力学性质。
2021-02-02 cond-mat.mtrl-sci physics.comp-ph quant-ph
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
Developing an improved Crystal Graph Convolutional Neural Network framework for accelerated materials discovery
最近提出的晶体图卷积神经网络(CGCNN)通过直接从晶体结构的图形表示(“晶体图”)学习材料属性,提供了一个高度通用和准确的机器学习(ML)框架。在这里,我们开发了CGCNN模型(iCGCNN)的改进变体,通过结合Voronoi镶嵌晶体结构的信息,相邻组成原子的显式三体相关性以及晶体图中原子间键的优化化学表示,该模型的性能优于原始模型。我们在两个不同的说明中证明了改进框架的准确性:首先,当在180,000/20,000个密度泛函理论(DFT)计算的热力学稳定性条目上训练/验证时,这些条目取自开放量子材料数据库(OQMD),并在230,000个条目的单独测试集上进行评估,iCGCNN实现了显著提高的预测准确性,即,比原来的CGCNN高出20%。其次,当用于辅助ThCr 2Si 2结构类型材料的高通量搜索时,iCGCNN表现出31%的成功率,比无向高通量搜索高310倍,比原始CGCNN高2.4倍。使用CGCNN和iCGCNN,我们筛选了132,600种具有ThCr 2Si 2原型晶体结构元素装饰的化合物,并通过执行757次DFT计算确定了总共97种新的独特稳定化合物,将高通量搜索的计算时间加快了130倍。我们的研究结果表明,iCGCNN可用于通过快速准确地识别具有感兴趣特性的晶体化合物来加速新材料的高通量发现。
2019-06-12 cond-mat.mtrl-sci physics.comp-ph physics.data-an
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
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
CrystalFramer: Rethinking the Role of Frames for SE(3)-Invariant Crystal Structure Modeling
OMRON SINIC X Corporation(欧姆龙SINIC X公司);Osaka University(大阪大学)
针对晶体结构建模中静态帧的局限性,提出动态帧概念,通过在基于 transformer 的编码器中引入注意力机制构建 CrystalFramer 架构,使原子能聚焦局部交互环境,在多种晶体性质预测任务中优于传统方法。
2025-03-04 cond-mat.mtrl-sci cs.LG physics.comp-ph
Machine learning-driven elasticity prediction in advanced inorganic materials via convolutional neural networks
State Key Laboratory of Porous Metal Materials, School of Materials Science and Engineering, Xi’an Jiaotong University(西安交通大学材料科学与工程学院多孔金属材料国家重点实验室);National Key Laboratory of Computational Physics, Institute of Applied Physics and Computational Mathematics(应用物理与计算数学研究所国家计算物理学重点实验室);State Key Laboratory for Mechanical Behavior of Materials, School of Materials Science and Engineering, Xi’an Jiaotong University(西安交通大学材料科学与工程学院材料力学行为国家重点实验室)
本研究利用CGCNN模型对80664个无机晶体的剪切模量和体积模量进行高精度预测,丰富了材料弹性数据资源并为材料设计提供支持。
2025-11-06 cond-mat.mtrl-sci physics.comp-ph
Crystal structure identification with 3D convolutional neural networks with application to high-pressure phase transitions in SiO$_2$
本研究训练PointNet和DG-CNN两种神经网络架构评估其原子结构识别性能,在简单晶体结构上与现有方法基准测试,扩展至SiO₂复杂相并深入理解其冲击压缩结晶过程,还实现了与OVITO的集成。
2024-05-08 cond-mat.mtrl-sci
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
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
Orbital Graph Convolutional Neural Network for Material Property Prediction
Carnegie Mellon University(卡内基梅隆大学);University of Calgary(卡尔加里大学)
与机器学习模型兼容的材料表示在开发具有高精度属性预测的模型方面发挥着关键作用。原子轨道相互作用是决定晶体材料性质的重要因素之一,从原子轨道相互作用可以推断出晶体材料中原子的局部化学环境。因此,为了开发用于材料性能预测的鲁棒机器学习模型,必须包括代表这些化学属性的特征。在这里,我们提出了轨道图卷积神经网络(OGCNN),这是一种晶体图卷积神经网络框架,包括原子轨道相互作用特征,可以以稳健的方式学习材料特性。此外,我们将编码器-解码器网络嵌入到OGCNN中,使其能够学习基本原子(元素特征),轨道-轨道相互作用和拓扑特征中的重要特征。我们研究了该模型在广泛的晶体材料数据上的性能,以预测不同的性质。我们将OGCNN模型的性能与以下各项进行了基准测试:1)晶体图卷积神经网络(CGCNN),2)其他最先进的材料表示描述符,包括多体张量表示(MBTR)和原子位置平滑重叠(SOAP),以及3)其他传统的回归机器学习算法,其中使用了不同的晶体特征化方法。我们发现OGCNN明显优于它们。OGCNN模型具有较高的预测精度,可以在材料的巨大相空间和化合物空间中发现新材料
2020-08-14 cond-mat.mtrl-sci cs.LG physics.comp-ph
Crystal Hypergraph Convolutional Networks
本文提出晶体超图卷积网络,通过超边表示材料中原子三元组和局部环境等高阶几何信息,并开发三种超图卷积方法,有效解决了传统图表示因仅编码原子间距离而导致的几何分辨率不足问题。
2024-11-19 cond-mat.mtrl-sci
Determination of the Interface between Amorphous Insulator and Crystalline 4H-SiC in Transmission Electron Microscope Image by using Convolutional Neural Network
Advanced Power Electronics Research Center, National Institute of Advanced Industrial Science and Technology (AIST)(先进电力电子研究中心,产业技术综合研究所(AIST));Global Zero Emission Research Center, National Institute of Advanced Industrial Science and Technology (AIST)(全球零排放研究中心,产业技术综合研究所(AIST))
粗糙的界面似乎是SiC MOSFET沟道迁移率(电导率)低的可能原因之一。为了通过界面粗糙度评估迁移率,我们通过使用卷积神经网络(CNN)的深度学习方法,在通过透射电子显微镜(TEM)获得的横截面图像中绘制了非晶绝缘体和结晶4 H-SiC之间的边界线。我们表明,CNN模型可以很好地识别界面,即使界面过于粗糙,无法手动绘制边界线。计算了界面粗糙度的功率谱密度。
2020-10-14 cond-mat.dis-nn cond-mat.mtrl-sci cs.LG
SR-CGCNN: Shared Recurrent Convolution in Crystal Graph Neural Networks for Materials Property Prediction
Indo-Korea Science and Technology Center (IKST)(印韩科学技术中心)
本文提出SR-CGCNN,通过共享递归机制实现参数高效,使三步模型在保持准确性的同时仅使用34.5%的参数,提升了晶体图卷积的紧凑性。
2026-08-17 cond-mat.mtrl-sci
Bridging Text and Crystal Structures: Literature-driven Contrastive Learning for Materials Science
Toyota Motor Corporation(丰田汽车公司);OMRON SINIC X Corporation(OMRON SINIC X公司);Randeft, Inc.(Randeft公司);The University of Osaka(大阪大学)
本文提出对比语言-结构预训练(CLaSP)范式,利用40万条文献数据构建晶体结构与文本的跨模态嵌入空间,实现基于文本查询的材料检索与结构筛选。
2025-06-19 cond-mat.mtrl-sci cs.LG
Predicting Miscibility in Binary Compounds: A Machine Learning and Genetic Algorithm Study
本研究结合Materials Project与ICSD数据,利用随机森林模型预测二元化合物混溶性,并通过遗传算法在Co-Eu体系中发现CoEu8、Co3Eu2和CoEu三种新型稳定相,为材料合成提供理论指导。
2024-09-04 cond-mat.mtrl-sci physics.comp-ph
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
SWORD: Symmetry and Wyckoff-sequence of Ordered and Disordered crystals
Nanyang Technological University(南洋理工大学);Institute of Materials Research and Engineering, Agency for Science, Technology and Research(材料研究工程研究所,科技研究局)
SWORD通过结合对称性和Wyckoff序列,为有序和无序晶体提供标准化结构描述,实现高效结构分组、重复识别和无序结构细化,提升材料发现的创新性评估。
2026-04-20 cond-mat.mtrl-sci
Learning the Crystal Structure Genome for Property Classification
材料属性预测从机器学习算法的进步中得到了改进,通过结构-属性关系的数据驱动模型提供材料发现和新见解。几乎所有可用的模型都依赖于材料成分的特征化,然而,在这种模型中是否专门使用结构知识进行可比预测的能力仍然是未知的。在这里,我们采用深度神经网络模型来解码晶体材料中的结构-性能关系,而无需明确考虑化学成分。重点是晶体系统的分类,机械弹性,电子带隙,和相稳定性。我们的模型采用了三维(3D)动量空间表示的结构,从弹性X射线散射理论,表现出旋转和排列不变性。我们进行了新的消融研究,以帮助解释模型的性能,通过扰动物理上有意义的输入特征(即,衍射图案),而不是像传统烧蚀方法那样调整学习模型的结构。我们发现,三维衍射图案的空间对称性,这反映了晶体的对称操作,是更重要的比衍射强度内的模型,使一个成功的分类。我们的工作展示了使用统计学习模型来帮助理解材料物理的潜力,而不是像大多数材料信息学研究那样执行预测和生成任务。我们还认为,以化学不可知的方式学习晶体结构基因组表明,一些晶体结构固有地具有最佳材料性能的高倾向性,这使得结构和组成的解耦能够用于未来的多功能协同设计。
2022-04-11 cond-mat.mtrl-sci cond-mat.str-el
Information Entropy Based Crystal Structure Prediction of Chemically Disordered Alloys via Graph Convolutional Neural Networks
Indian Institute of Engineering Science and Technology, Shibpur(印度工程科学与技术学院,希布尔);Indian Institute of Technology (BHU), Varanasi(印度理工学院(贝拿勒斯印度教大学),瓦拉纳西)
提出基于信息熵的方法,结合图卷积神经网络和炼金蒙特卡洛采样,高效预测化学无序合金(包括高熵合金)的相结构,并验证了BDV描述符的适用性。
2026-06-07 cond-mat.mtrl-sci
Interpretation of Crystal Energy Landscapes with Kolmogorov-Arnold Networks
Max Planck Institute for Chemical Physics of Solids(马克斯·普朗克固体化学物理研究所);Department of Physics and Astronomy, University of Tennessee(田纳西大学物理与天文学系);Min H. Kao Department of Electrical Engineering and Computer Science, University of Tennessee(田纳西大学高民电气工程与计算机科学系)
本文提出KANs网络用于解读晶体能量景观,通过可学习函数揭示物理关系,实现高精度预测并提供可解释的化学趋势。
2026-04-06 cond-mat.dis-nn cond-mat.mtrl-sci cs.LG
Global Attention based Graph Convolutional Neural Networks for Improved Materials Property Prediction
University of South Carolina(南卡罗来纳大学);Guizhou University(贵州大学)
机器学习(ML)方法在探索和开发新材料方面越来越受欢迎。更具体地说,图神经网络(GNN)已被应用于预测材料性能。在这项工作中,我们开发了一种新的模型,GATGNN,用于预测无机材料性能的基础上,由多个图形注意层(GAT)和一个全局注意层的图形神经网络。通过GAT层的应用,我们的模型可以有效地学习每个原子的局部邻域内的原子之间共享的复杂键。随后,全局注意力层提供无机晶体材料中每个原子的权重系数,这些权重系数用于显著改善我们的模型的性能。值得注意的是,随着我们的GATGNN模型的发展,我们表明我们的方法能够超越以前模型的预测,并提供对材料结晶的深入了解。
2020-03-11 cond-mat.mtrl-sci cs.LG physics.comp-ph
MT-CGCNN: Integrating Crystal Graph Convolutional Neural Network with Multitask Learning for Material Property Prediction
Indian Institute of Science(印度科学学院);Shell Technology Centre Bangalore(壳牌班加罗尔技术中心)
开发准确、可转移且计算成本低廉的机器学习模型可以快速加速新材料的发现和开发。开发此类模型所涉及的一些主要挑战是:(i)与其他领域相比,材料数据的可用性有限,(ii)缺乏通用的材料描述符来预测其各种属性。材料数据的有限可用性可以通过迁移学习来解决,而通用表示最近由Xie和Grossman [1]解决,他们开发了一种晶体图卷积神经网络(CGCNN),提供了晶体的统一表示。在这项工作中,我们通过将CGCNN与基于多任务(MT)学习的迁移学习相结合,开发了一种新的模型(MT-CGCNN)。我们证明了MT-CGCNN的有效性,通过同时预测各种材料的性质,如形成能,带隙和费米能为广泛的无机晶体(46774材料)。MT-CGCNN在相关属性上使用时能够将测试误差降低高达8%。与CGCNN相比,该模型预测具有更低的测试误差,即使当训练数据减少10%时。我们还通过预测与金属/非金属分类相关的最终用户场景来展示我们的模型的更好性能。这些结果鼓励进一步开发机器学习方法,这些方法利用多任务学习来解决发现新材料中的上述挑战。我们提供MT-CGCNN的源代码,以鼓励可重复的研究。
2018-11-14 cond-mat.mtrl-sci cs.LG stat.ML
Equivariant Graph Neural Networks for Prediction of Tensor Material Properties of Crystals
针对晶体介电、压电和弹性张量从头计算成本高的问题,本文利用张量对称性开发球谐分解方法,应用三种E(3)-等变卷积结构预测分解分量,实现等变预测并测试模型在不同张量目标集间的可迁移性。
2024-11-25 cond-mat.mtrl-sci physics.comp-ph
A convolutional neural network for defect classification in Bragg coherent X-ray diffraction
相干衍射成像技术能够对材料中的单个缺陷(如位错或堆垛层错)进行成像,这些缺陷及其周围的弹性应变场对材料的宏观性能和功能有着至关重要的影响。然而,它们在布拉格相干衍射成像中的识别仍然是一个挑战,需要大量的数据挖掘。当针对特定缺陷类型时,单独从衍射图案识别缺陷的能力将是显著的优势,并且加速实验设计和执行。在这里,我们利用基于三维(3D)参数原子模型和卷积神经网络的计算工具,从其3D相干衍射图案预测晶体中的位错。模拟的衍射图案从几千个放松的原子结构的纳米晶体被用来训练神经网络和预测的存在或不存在的位错以及它们的类型(螺旋或边缘)。本文的研究为材料科学中三维相干衍射图样中的缺陷识别奠定了基础
2021-06-30 cond-mat.mtrl-sci physics.comp-ph
Predicting thermoelectric properties from crystal graphs and material descriptors - first application for functional materials
I2R, A*STAR(新加坡科技研究局资讯通信研究院);IMRE, A*STAR(新加坡科技研究局材料研究与工程研究院)
我们介绍了使用晶体图卷积神经网络(CGCNN),全连接神经网络(FCNN)和XGBoost来预测热电性能。CGCNN的数据集不依赖于密度泛函理论(DFT),只依赖于晶体和原子的信息,而FCNN的数据集基于Materialsproject.org中丰富的属性列表。结果表明,优化后的FCNN具有三层深度,能够更好地预测与散射时间无关的热电功率因数(或XGBoost),这表明从部分从DFT获得的材料科学知识获知的键合和状态密度描述符对于预测功能性质是至关重要的。
2018-11-15 cond-mat.mtrl-sci cs.LG physics.comp-ph
Fourier Neural Operators for Composition-Driven Crystal Structure Discovery
University of Science and Technology of China(中国科学技术大学);Suzhou Institute for Advanced Research, University of Science and Technology of China(中国科学技术大学苏州高等研究院)
该研究开发基于傅里叶神经算子的晶体场求解器,构建耦合生成-求解框架,在104种化学式上生成新型晶体结构,为成分驱动的晶体结构发现提供可扩展途径。
2026-09-02 cond-mat.mtrl-sci physics.comp-ph
Prediction of the evolution of the stress field of polycrystals undergoing elastic-plastic deformation with a hybrid neural network model
晶体塑性理论常被用来预测多晶金属的介观状态,但其计算成本较高。使用具有卷积层的神经网络编码时间和空间的相关性,我们能够预测仅给定初始微观结构和外部载荷的应力场的演变。与我们最近的工作相比,我们不仅能够预测应力响应的空间平均值,而且能够预测场本身。我们表明,应力场和它们的速率是在高保真度与晶体塑性数据,并没有可见的文物。此外,整个弹性到完全塑性转变的应力分布与所提供的晶体塑性数据相匹配。最后,我们证明了训练模型在材料表征和优化任务中的有效性。
2019-10-08 cond-mat.mtrl-sci physics.comp-ph
Representing Born effective charges with equivariant graph convolutional neural networks
针对材料张量性质表示需满足参考系无关性的问题,提出采用等变图卷积神经网络显式编码相关性质,通过等变权重和描述符遵循晶体旋转对称性输出张量结果,在多种材料玻恩有效电荷预测上取得良好性能与泛化能力。
2024-09-13 cond-mat.dis-nn cond-mat.mtrl-sci
Hierarchical Visualization of Materials Space with Graph Convolutional Neural Networks
Massachusetts Institute of Technology(麻省理工学院)
高通量计算和机器学习的结合导致了材料设计的新范式,允许直接筛选大部分的结构,化学和属性空间。使用这些强大的技术会产生大量的数据,这反过来又需要新的技术来有效地探索和可视化材料空间,以帮助识别潜在的模式。在这项工作中,我们开发了一个统一的框架,以分层方式可视化任意材料空间中材料之间的成分和结构相似性,并从不同层的图卷积神经网络中学习表示。我们展示了这种可视化方法的潜力,通过显示自动出现的模式,反映了在三个代表性的材料:钙钛矿,元素硼,和一般的无机晶体,覆盖不同的组成,结构和两者的材料空间在不同尺度上的相似性。对于钙钛矿,元素的相似性反映了原子性质的多个方面。对于元素硼,结构图案自动出现,显示特征硼局部环境。对于无机晶体,结合不同的中心和相邻原子,局部配位环境的相似性和稳定性。该方法可以帮助过渡到以数据为中心的材料空间的自动化材料设计的探索。
2018-09-18 cond-mat.mtrl-sci cs.LG
Machine learning classification of local environments in molecular crystals
本文提出两种机器学习方法——原子级图卷积网络和基于对称函数与点向量表示的新描述符——用于对分子晶体多晶型中的局部环境进行分类,在尿素和烟酰胺体系上取得高准确率,并成功应用于纳米晶体和固-固界面动力学轨迹分析。
2024-03-29 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
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
Physics Aware Representation Learning on Electronic Charge Density for Materials Property Prediction
Indian Institute of Technology, Kanpur(坎普尔印度理工学院)
本文提出一种结合物理信息的深度学习框架,通过三维电子电荷密度预测材料力学和热力学性质,利用卷积自编码器和回归模型提升预测精度。
2026-05-08 cond-mat.mtrl-sci
Efficient Structure-Informed Featurization and Property Prediction of Ordered, Dilute, and Random Atomic Structures
本研究针对材料信息学中原子结构特征化工具存在冗余计算的问题,提出三类效率优化方案,在自研工具pySIPFENN中实现了2-10倍的性能提升,且方案可推广至同类工具。
2024-06-14 cond-mat.dis-nn cond-mat.mtrl-sci physics.comp-ph
Predicting Elastic Properties of Materials from Electronic Charge Density Using 3D Deep Convolutional Neural Networks
University of South Carolina(南卡罗来纳大学);Dalian University of Technology(大连理工大学);Key Laboratory of Ocean Energy Utilization and Energy Conservation of Ministry of Education(教育部海洋能源利用与节能重点实验室);Key Laboratory of Materials Modification by Laser, Ion and Electron Beams(教育部激光、离子、电子束材料改性重点实验室);School of Energy and Power Engineering(能源与动力工程学院)
材料表征在基于机器学习的材料性能预测和新材料发现中起着关键作用。目前,图形和3D体素表示方法都是基于晶体结构的异质元素。在这里,我们建议使用电子电荷密度(ECD)作为一个通用的统一的三维描述符的材料性能预测的优势,具有密切的关系,材料的物理和化学性质。我们开发了一种基于ECD的3D卷积神经网络(CNN),用于预测材料的弹性性能,其中CNN可以通过多次卷积和池化操作来学习有效的分层特征。对2,170 Fm-3 m面心立方(FCC)材料的广泛基准实验表明,我们基于ECD的CNN可以实现良好的弹性预测性能。特别是,我们的CNN模型的基础上融合的元素喜鹊功能和ECD描述符实现了最好的5倍交叉验证性能。更重要的是,我们表明,我们的基于ECD的CNN模型在非冗余数据集上进行评估时,可以实现更好的外推性能,其中测试样本周围的相邻训练样本很少。作为额外的验证,我们通过与DFT计算值进行比较,评估了我们的模型对空间群Fm-3 m的329种材料的预测性能,这表明我们的模型对体积模量的预测能力优于剪切模量。由于ECD的统一表示能力,预计我们的基于ECD的CNN方法也可以应用于预测晶体材料的其他物理和化学性质。
2020-04-11 cond-mat.mtrl-sci cs.CE cs.LG
Phase Retrieval of Highly Strained Bragg Coherent Diffraction Patterns using Supervised Convolutional Neural Network
针对高应变晶体BCDI相位恢复难题,提出用监督CNN预测倒空间相位,结合逆傅里叶变换与迭代细化,在模拟和实验数据上优于标准算法。
2025-07-09 cond-mat.mtrl-sci physics.data-an
Automatic Identification of Crystal Structures and Interfaces via Artificial-Intelligence-based Electron Microscopy
提出AI-STEM方法,利用仅经模拟图像训练的贝叶斯卷积神经网络,自动准确识别多晶材料STEM图像中的晶体结构、晶格取向和界面位置,结合概率建模与深度学习实现实验图像自动分析。
2023-09-06 cond-mat.mtrl-sci
DeepCrysTet: A Deep Learning Approach Using Tetrahedral Mesh for Predicting Properties of Crystalline Materials
SAKURA internet Inc.(樱花互联网公司);National Institute for Materials Science (NIMS)(国立材料科学研究所);The University of Tokyo(东京大学);RIKEN(理化学研究所);Kyoto University(京都大学)
针对图表示丢失晶体三维信息的问题,提出基于Delaunay四面体网格的深度学习框架DeepCrysTet,在分类和弹性属性预测上超越现有GNN模型。
2023-09-07 cond-mat.mtrl-sci cs.LG
AlphaDiffract: Automated Crystallographic Analysis of Powder X-ray Diffraction Data
Argonne National Laboratory(阿贡国家实验室)
AlphaDiffract通过深度学习框架实现从PXRD数据中自动确定晶体结构和晶格参数,其基于ConvNeXt架构并训练于大规模模拟数据集,达到高精度晶体系统和空间群识别。
2026-03-24 cond-mat.mtrl-sci
Maybe you don't need a U-Net: convolutional feature upsampling for materials micrograph segmentation
Department of Materials, Imperial College London(材料系,帝国理工学院伦敦分校);Dyson School of Design Engineering, Imperial College London(设计工程学院,帝国理工学院伦敦分校);Finden ltd(Finden公司);Rutherford Appleton Laboratory, Harwell Science and Innovation Campus(拉瑟福德-苹果顿实验室,哈罗尔德科学与创新校园)
针对基础模型块特征分辨率低、难以处理显微图像细节和大尺寸图像的问题,本文训练参考输入图像的卷积上采样器,并证明其可免训练用于多种显微图像的快速交互式分割。
2025-08-29 cond-mat.mtrl-sci cs.CV
Graph-based machine learning beyond stable materials and relaxed crystal structures
最近,在材料科学中使用机器学习来近似密度泛函理论(DFT)的兴趣激增。然而,许多最具性能的模型主要是在具有精确原子坐标的材料的计算属性的大型数据库上进行评估的,并且已经通过实验合成,即,它们是化学稳定的或亚稳定的。这些方面在将这些模型应用于理论候选材料时提供了挑战,例如用于材料发现,其中坐标未知。为了扩展这种方法的范围,我们研究了晶体图卷积神经网络(CGCNN)在三个相关的三元相图(Ti,Zr,Hf)-Zn-N中的理论结构数据集上的性能,因此包括许多高度不稳定的结构。然后,我们调查的影响,使用原子的位置,只有部分放松到当地的能量最小值的性能。我们还探索了通过迁移学习来提高这些场景中的性能的方法,无论是从一个大规模的稳定系统数据库中训练的模型,还是一个不同但相关的相图。在稳定材料上预训练的模型不会显着提高性能,但在类似数据上训练的模型可以很好地传输。我们演示了如何利用我们的研究结果来生成相图,大大减少了计算工作量。
2021-07-01 cond-mat.mtrl-sci
Physically informed machine-learning algorithms for the identification of two-dimensional atomic crystals
石墨烯单层于2004年首次分离出来,在下一代电子学、光电子学和能量存储方面显示出独特的性能和有前途的技术潜力。用于制造石墨烯的简单而有效的方法,机械剥离,然后进行光学显微镜检查,已被用于发现更多的二维(2D)原子晶体,这些晶体显示出与其大块对应物不同的物理特性,开辟了材料研究的新时代。然而,手动检查光学图像以识别2D薄片具有低吞吐量的明显缺点,因此对于2D样品的任何放大应用都是不切实际的,这归因于它们迷人的物理性质。最近,高性能机器学习(通常是深度学习)技术与光学显微镜的结合加速了薄片识别。尽管深度学习算法带来了进步,但它们的高计算复杂性,大数据集要求,更重要的是,不透明的决策过程限制了它们的可访问性。作为替代方案,我们研究了更透明的基于树的机器学习算法,该算法具有模仿颜色对比度的特征,用于自动识别剥落的2D原子晶体(例如,MoSe2)。我们将这些基于树的算法的决策的成功和物理性质与ResNet(一种卷积神经网络(CNN))进行比较。我们表明,决策树,梯度提升决策树和随机森林可以成功地对薄材料的光学图像进行分类,其透明决策依赖于物理图像特征,并且不会受到极端过拟合和大数据集要求的影响。
2022-12-01 cond-mat.mtrl-sci
Machine Learning for compositional disorder: A Comparison Between Different Descriptors and Machine Learning Frameworks
组成无序在晶体化合物中很常见。在这些化合物中,一些原子随机分布在一些晶体学位置。对于这样的化合物,无规性形成许多不相同的独立结构。因此,使用普通量子从头算方法计算所有结构的能量可能非常耗时。机器学习可以成为从头算方法的可靠替代方案。我们使用机器学习在相当短的时间内以接近密度泛函理论计算的精度计算这些化合物的能量。在这项研究中,我们使用核岭回归和神经网络来预测能量。在KRR中,我们使用正弦矩阵,Ewald和矩阵,SOAP,ACSF和MBTR。为了实现神经网络,我们使用了神经网络在材料科学中的两类重要应用,包括高维神经网络和基于晶体图表示的卷积神经网络。我们表明,核岭回归使用MBTR和神经网络使用ACSF可以提供更好的精度比其他方法。
2022-12-22 cond-mat.mtrl-sci
Determining the grain orientations of battery materials from electron diffraction patterns using convolutional neural networks
本研究利用卷积神经网络分析LiNiO2的电子衍射图案,以预测晶粒取向,相比传统匹配方法更准确高效,首次将深度学习应用于电子衍射数据分析。
2025-06-23 cond-mat.mtrl-sci