The AFLOW Standard for High-Throughput Materials Science Calculations
介绍了材料科学电子结构数据库高通量建设的自动流标准。固态材料的电子结构计算依赖于大量的参数，这些参数必须由研究人员理解，并且必须由原创者报告，以确保可重复性并实现协作数据库扩展。因此，我们描述标准参数值k点网格密度，基组平面波动能截止，交换相关泛函，赝势，DFT+U参数，并在AFLOW计算中使用的收敛标准。
2015-05-31 cond-mat.mtrl-sci
Applications of DFT+DMFT in Materials Science
第一原理方法可以提供对材料的深入了解，否则不可能获得。密度泛函理论（DFT）已成为众多应用的首选第一原理方法，但它不能预测相关材料的性质。第一性原理密度泛函理论+动力学平均场论（DFT+DMFT）是一个强有力的工具，可以解决DFT应用于相关金属时的这些缺点。在这篇针对非专家的简短评论中，我们回顾了DFT+DMFT的基础知识和一些应用。
2018-12-29 cond-mat.mtrl-sci
The NOMAD Artificial-Intelligence Toolkit: Turning materials-science data into knowledge and understanding
我们提出了新材料发现（NOMAD）材料智能（AI）工具包，一个基于Web浏览器的基础设施，用于基于交互式AI的分析材料科学可发现，可访问，可互操作和可重用（FAIR）数据。人工智能工具包可以随时对存储在NOMAD Archive中央服务器上的FAIR数据进行操作，NOMAD Archive是全球最大的材料科学数据库，也可以对本地存储的用户所有数据进行操作。NOMAD Oasis是一个本地的独立服务器，也可以用来运行AI Toolkit。通过使用在Web浏览器中运行的Xueyter笔记本，可以查询和访问NOMAD数据;然后可以应用数据挖掘，机器学习和其他AI技术来分析它们。这种基础设施将材料科学的可再现性概念提升到了一个新的水平，使研究人员不仅可以共享其科学出版物的数据，还可以共享所有开发的方法和分析工具。除了复制已发表的结果外，NOMAD AI工具包的用户还可以根据自己的研究工作修改Applyter笔记本。
2022-11-09 cond-mat.mtrl-sci
Random-phase approximation and its applications in computational chemistry and materials science
综述了计算电子相关能的随机相位近似方法。本文在简要介绍RPA的基本概念和历史发展的基础上，着重介绍RPA的理论公式及其在实际系统中的应用。通过几个实例，讨论了RPA在计算化学和材料科学中的应用。RPA的计算成本也被解决，这是其在未来的应用中广泛使用的关键。此外，目前的校正方案超越RPA和进一步发展的方向将进行讨论。
2012-06-13 cond-mat.mtrl-sci
Research Data Infrastructure for High-Throughput Experimental Materials Science
高通量实验材料数据库（HTEM-DB）是国家可再生能源实验室（NREL）在组合实验期间收集的无机薄膜材料数据的端点存储库。这种独特的数据资产是由研究数据基础设施（RDI）实现的，RDI是一套收集、处理和存储实验数据和元数据的自定义数据工具。在这里，我们描述了从RDI到HTEM-DB的实验数据工具工作流程，以说明NREL目前用于材料数据的策略和最佳实践。这些数据工具与实验过程的集成建立了实验和数据科学社区之间的数据通信管道。在这样做的过程中，这项工作激励其他机构创建类似的数据工作流程，以汇总有价值的数据，并增加其对未来数据研究的有用性。这些类型的投资可以大大加快材料科学领域的学习和发现步伐，使数据可用于新的和快速发展的数据方法。
2021-05-11 cond-mat.mtrl-sci
Multiscale modeling of materials: Computing, data science,uncertainty and goal-oriented optimization
近几十年来，人们进行了各种尝试，以加快开发针对特定应用的材料的过程。特定应用所需的性能导致选择特定的材料系统，其性能通过处理操纵其底层微观结构来优化。然后，通过详细表征材料，并在系统级模拟和优化中使用该表征以及物理原理来设计结构的具体配置。材料的多尺度建模、高通量实验、材料数据库、拓扑优化等思想推动了这些技术的发展。尽管如此，开发用于大变形、高应变率和高温等极端应用的材料仍然是一个挑战。本文回顾了一些最近的方法，推进目标的设计材料的具体应用。
2021-04-13 cond-mat.mtrl-sci
MatKG: The Largest Knowledge Graph in Materials Science -- Entities, Relations, and Link Prediction through Graph Representation Learning
本文介绍了MatKG，一个新的图形数据库的关键概念，在材料科学跨越传统的材料结构性能加工范式。MatKG通过基于transformer的大型语言模型自动生成，并通过统计共现映射生成伪本体模式。目前，MatKG包含来自80，000个实体的200多万个唯一关系三元组。这允许以独特的分辨率和规模对材料知识进行策划分析、查询和可视化。此外，知识图嵌入模型用于学习图中节点的嵌入表示，其用于下游任务，例如链接预测和实体消歧。MatKG在用作知识库时允许数据的快速传播和同化，同时在作为嵌入模型进行训练时能够发现新的关系。
2022-10-31 cond-mat.mtrl-sci
Shared Metadata for Data-Centric Materials Science
本文基于研讨会成果，明确符合FAIR原则的元数据定义与模式要求，提出计算材料科学多类（元）数据的FAIR化方法，同时指出实验数据与本体的FAIR化挑战及应对方向。
2023-08-23 cond-mat.mtrl-sci
Reproducibility in Computational Materials Science: Lessons from 'A General-Purpose Machine Learning Framework for Predicting Properties of Inorganic Materials'
University of Toronto（多伦多大学）；Argonne National Laboratory（阿贡国家实验室）
研究尝试复现一篇机器学习预测无机材料性质的论文时遇到的挑战，提出改进可重复性的具体行动项。
2023-10-10 cond-mat.mtrl-sci
Fundamentals and applications of aberration corrected high resolution transmission electron microscopy in materials science
International Center for Materials Science, Jawaharlal Nehru Centre for Advanced Scientific Research (JNCASR)（印度高级科学研究中心国际材料科学中心）
本文综述了 aberration corrected 高分辨率透射电子显微镜在材料结构表征中的基础原理与应用，涵盖像差校正、直接图像解释及相位对比成像等方法，探讨了其在原子尺度材料研究中的潜力。
2026-03-25 cond-mat.mtrl-sci
AtomProNet: Data flow to and from machine learning interatomic potentials in materials science
AtomProNet是一个开源Python包，通过自动化原子结构获取、从头算任务提交与数据收集，降低机器学习原子间势的使用门槛，并验证了其计算实用性。
2025-01-23 cond-mat.mtrl-sci
Question Answering models for information extraction from perovskite materials science literature
本研究提出利用问答（QA）方法从钙钛矿材料科学文献中提取材料-性能关系，测试5种微调大语言模型后发现QA MatBERT提取准确率最优，F1分数超现有水平，为材料文本驱动发现提供新途径。
2024-09-13 cond-mat.mtrl-sci
Towards MatCore: A Unified Metadata Standard for Materials Science
为支撑材料科学计算模拟研究的FAIR原则，本文介绍新启动的MatCore项目，阐述其开发统一元数据框架及指南的目标、进展、历史背景、示例与未来计划，推动领域元数据标准化。
2025-02-10 cond-mat.mtrl-sci
From Automated Simulation to Autonomous Discovery: A Hierarchical Framework for Agentic Computational Materials Science
School of Materials Science and Engineering, Beihang University（北京航空航天大学材料科学与工程学院）
针对计算材料发现中智能体系统缺乏统一评估框架的问题，提出CMA-AL层次化分类体系，定义六个自主等级并映射现有系统，以引导其向更高自主性演进。
2026-09-30 cond-mat.mtrl-sci
Machine-learning interatomic potentials for materials science
材料的大规模原子计算机模拟依赖于原子间势，提供能量和牛顿力的计算有效预测。传统的潜力已担任这一职务超过三十年。最近，出现了一类新的势，它基于一种完全不同的哲学。新的潜力是使用机器学习（ML）方法和量子力学计算产生的大量参考数据库构建的。虽然传统势是从对化学键本质的物理见解中推导出来的，但ML势利用高维数学回归来在参考能量之间进行插值。我们回顾了原子间势场的现状，比较了传统势和ML势的优缺点。引入了第三类势，其中ML模型与基于物理的势耦合，以提高对未知原子环境的可转移性。讨论的重点是潜在的材料科学的应用。概述了这一领域未来可能的方向。
2021-06-03 cond-mat.mtrl-sci
Reproducible container solutions for codes and workflows in materials science
CNRS（法国国家科学研究中心）；GRICAD（GRICAD计算平台）；Grenoble INP（格勒诺布尔国立理工学院）；SIMaP（材料科学和物理研究所）；CEA（法国原子能和替代能源委员会）；IRIG（研究创新组）；MEM（材料工程部门）；MNHN（法国国家自然历史博物馆）
本文提出了一种结合GNU Guix和Apptainer的可重复容器解决方案，用于构建可信赖的计算材料科学工作流环境。
2025-12-15 cond-mat.mtrl-sci
Robust model benchmarking and bias-imbalance in data-driven materials science: a case study on MODNet
随着材料科学的新型数据驱动方法的数量不断增长，对模型性能进行一致的质量，可靠性和适用性评估至关重要。在本文中，我们对材料最优描述符网络（MODNet）方法和架构进行了基准测试，该方法和架构针对最近发布的MatBench v0.1，一个材料数据集的策划测试套件。MODNet在13个任务中的6个任务上表现优于当前的领导者，同时在另外2个任务上与当前的领导者密切匹配;当样本数量低于10，000时，MODNet表现特别好。在对模型进行基准测试时，要注意两个关注的主题。首先，我们鼓励报告更多样化的指标集，因为它可以对模型性能进行更全面和全面的比较。其次，一个同样重要的任务是对目标域的模型的不确定性评估。可以观察到验证误差的显著变化，这取决于训练集中的不平衡和偏差（即，训练和应用空间之间的相似性）。通过使用集合MODNet模型，可以建立置信区间，并可以量化单个预测的不确定性。不平衡和偏差问题经常被忽视，但对于机器学习在材料科学和凝聚态中的成功应用至关重要。
2021-07-07 cond-mat.mtrl-sci
Crystal Toolkit: A Web App Framework to Improve Usability and Accessibility of Materials Science Research Algorithms
Crystal Toolkit是一个开源工具，用于以交互方式查看，分析和转换晶体结构，分子和其他常见形式的材料科学数据。它旨在帮助初学者快速开发基于Web的应用程序，以探索他们自己的数据，或帮助开发人员使他们的研究算法可供更广泛的科学家使用，这些科学家可能没有任何计算机编程培训，但会从图形界面中受益。Crystal Toolkit附带了一个现成的组件库，可以将其组装成复杂的Web应用程序：模拟粉末和单晶衍射图案、凸包相图、Pourbaix图、电子能带结构、分析局部化学环境和对称性等。Crystal Toolkit现在正在为材料项目网站前端提供支持，提供用户友好的访问其计算材料属性数据库的功能。在未来，人们希望新的可视化可以使用Crystal Toolkit原型化，以帮助探索材料科学社区生成的新形式的数据，这反过来又可以帮助新材料科学家开发他们的数据如何表现的直觉和可能在其中发现的见解。Crystal Toolkit仍将是一个正在进行的工作，并对社区的贡献开放。
2023-02-27 cond-mat.mtrl-sci
Decoding Non-Linearity and Complexity: Deep Tabular Learning Approaches for Materials Science
针对材料科学表格数据的高度偏斜与复杂非线性关系，本文比较了树模型与深度编码器-解码器及注意力模型，发现XGBoost损失和速度最优，而DNF-nets在捕捉非线性方面具有竞争力，为复杂材料数据提供了混合预测方案。
2024-11-27 cond-mat.mtrl-sci
Parametrically Constrained Geometry Relaxations for High-Throughput Materials Science
通过利用对称性来减少参数空间，极大地加快了电子结构计算的速度并提高了计算质量。不幸的是，当整体晶体对称性被破坏时，许多传统方法失败，即使当失真只是轻微的扰动（例如Jahn-Teller类失真）。在这里，我们介绍了一个灵活的和可推广的参数松弛方案，并在全电子代码FHI-aims中实现。这种方法利用参数约束来保持任何级别的对称性。在展示了该方法的能力，放松亚稳结构，我们强调其适应性和性能超过359材料的测试集，在13个晶格原型。最后，我们展示了这些约束如何可以减少放松局部晶格畸变的数量级所需的步骤。这些限制的灵活性使大量应用的新型材料的高通量搜索显著加速。
2019-10-30 cond-mat.mtrl-sci
Identification of high-reliability regions of machine learning predictions in materials science using transparent conducting oxides and perovskites as examples
针对材料科学小数据集ML预测可靠性不明的问题，提出通过构建特征空间凸包识别高可靠性预测区域的方法，并发现仅用相似材料训练可提升预测准确性。
2023-04-05 cond-mat.mtrl-sci
Data-driven relationship of atomic structure and physical properties as the holistic view on the materials science fundamentals
特定无机物的原子结构（以原子性质参数APPs表示）与其物理性质之间的基本关系可以通过自下而上的数据中心和自上而下的知识物理中心的方式来实现。如今，这两种方法在质量和数量上相互竞争和增强。我们提出了我们自己的整体方法和实施，基于PAULING FILE同行评审的无机物质数据库，这是世界上最大的材料数据库，包含单相无机物质的晶体结构，相图和各种物理性质。此外，我们提出了生成的机器学习数据，以及模拟DFT物理为中心的数据，这是在密切联系和比较与保林文件同行评审的参考数据。
2021-05-26 cond-mat.mtrl-sci
A nexus between 3D atomistic data hybrids derived from atom probe microscopy and computational materials science: a new analysis of solute clustering in Al-alloys
溶质团簇影响合金的物理性质。溶质团簇的原子结构的知识是材料优化的先决条件。在这项研究中，溶质团簇在快速硬化Al-Cu-Mg合金的特征在于由原子探针层析成像和密度泛函理论的组合，利用混合数据类型，结合晶格整流和数据完成直接输入实验数据到原子模拟。原子模拟的集群输入，从而观察实验，减少可能的配置的数量。我们的研究结果表明，球形，紧凑的集群是更积极有利的，更丰富。
2017-01-09 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
Towards overcoming data scarcity in materials science: unifying models and datasets with a mixture of experts framework
虽然近年来机器学习已经成为快速预测材料性能的有用工具，但生成足够的数据来可靠地训练模型而不过度拟合对于许多应用仍然是不切实际的。为了克服这一限制，我们提出了一个通用框架，利用不同模型和数据集的互补信息，准确预测数据稀缺的材料属性。我们的方法基于一种称为专家混合的机器学习范式，在19个材料属性回归任务中的16个上优于成对迁移学习，在其余3个任务上执行重复学习。与成对迁移学习不同，我们的框架自动学习在单个训练运行中组合来自多个源任务的信息，从而减少了通过蛮力实验来确定从哪个源任务迁移的需要。该方法还提供了一种可解释的，模型不可知的和可扩展的机制，将信息从任意数量的模型和数据集传输到任何下游属性预测任务。我们预计，随着社区开发出更好的模型架构、新的预训练任务和更大的材料数据集，我们框架的性能将进一步提高。
2022-07-28 cond-mat.mtrl-sci
Advancing descriptor search in materials science: feature engineering and selection strategies
数据驱动材料研究的一个主要目标是找到最佳的低维描述符，使我们能够预测物理性质，并以人类可理解的方式解释它们。在这项工作中，我们提出的方法来识别出一个大的候选特征池的描述符，通过压缩感知。在这个程度上，我们开发计划工程适当的候选功能，是基于简单的基本属性的积木，构成材料，并能够代表一个多组分系统的标量数字。基于交叉验证的特征选择方法被开发用于识别最相关的特征，从而专注于高概括性。我们将我们的方法应用于三元组IV化合物的\textit{ab initio}数据集，以获得一组用于预测晶格常数和混合能量的描述符。特别是，我们介绍了简单的复杂性措施涉及的代数运算以及利用的基本属性的量。
2022-06-24 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
Towards a Common Format for Computational Material Science Data
信息和数据交流是科学进步的一个重要方面。在计算材料科学中，顺利交换数据的先决条件是标准化，这意味着使用商定的约定，例如，单位、零基线和文件格式。实现这一目标有两个主要战略。人们接受了由物理学、化学、生物物理学和材料科学的科学家组成的社区的异质性，遵守了计算机代码的多样性生态系统，从而为所有重要代码的输入和输出文件开发了"转换器"。然后，这些转换器将所有重要代码的数据转换为标准化的、独立于代码的格式。另一个策略是提供标准化的开放库，代码开发人员可以采用这些库来将输入、输出和重启文件直接转换为相同的代码独立格式。我们希望在本文中强调，这两项战略可以而且应该被视为互补的，甚至是协同的。这两种策略的主要概念和软件开发是非常相同的，显然，这两种方法应该给出相同的最终结果。在本文中，我们提出了适当的格式和约定，由两个团队，电子结构库（ESL）的CECAM和NOMAD（新材料发现）实验室，欧洲卓越中心（CoE）达成一致。该讨论还包括描述最先进的电子结构计算的分层元数据的定义。
2016-07-16 cond-mat.mtrl-sci
NOMAD: The FAIR Concept for Big-Data-Driven Materials Science
数据是本世纪至关重要的原材料，近年来在材料科学中创建的数据量以及每天创建的数据量是巨大的。如果没有适当的基础设施来收集和共享数据（包括原始数据），材料科学，特别是大数据驱动的材料科学的预期成功将受到阻碍。对于计算材料科学领域，NOMAD（Novel Materials Discovery）卓越中心（CoE）改变了科学文化，使其朝着全面和公平的数据共享方向发展，为挖掘材料科学大数据开辟了新的途径。新的数据分析概念和工具将数据转化为知识，并帮助预测新材料或识别已知材料的新特性。
2018-05-14 cond-mat.mtrl-sci physics.comp-ph
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
Open-Science Platform for Computational Materials Science: AiiDA and the Materials Cloud
我们在这里讨论我们的愿景为计算材料科学的开放科学平台。这样的平台需要依靠三大支柱，包括1）开放的数据生成工具（包括模拟代码、科学工作流程以及自动化和溯源跟踪的基础设施）; 2）开放式集成平台，这些工具以易于访问的方式进行交互，并通过自动化工作流程协调计算;以及3）通过符合FAIR并与数据管理计划兼容的门户支持无缝的代码和数据共享。作为一个实际的实施，我们展示了这样的平台在几个例子中，并特别侧重于AiiDA基础设施和材料云门户网站的组合。
2021-07-20 cond-mat.mtrl-sci physics.comp-ph
Data-driven materials science: status, challenges and perspectives
数据驱动科学被誉为材料科学的新范式。在这一领域，数据是新的资源，知识是从材料数据集提取的，这些数据集对于传统的人类推理来说太大或太复杂了，通常是为了发现新的或改进的材料或材料现象。多种因素，包括开放科学运动，国家资助和信息技术的进步，推动了它的发展。材料数据库、机器学习和高通量方法等相关工具现在已成为材料研究工具集的一部分。然而，有各种各样的挑战阻碍了数据驱动的材料科学的进步：数据的准确性，实验和计算数据的整合，数据寿命，标准化以及工业利益和学术努力之间的差距。在这篇透视文章中，我们讨论了数据驱动的材料科学的历史发展和现状，从开放科学的早期演变到材料数据基础设施的快速扩展。我们还回顾了迄今为止的主要成就和挑战，为该领域的未来发展提供了一个视角。
2019-08-19 cond-mat.mtrl-sci physics.comp-ph
MatInf -- an Extensible Open-Source Solution for Research Digitalisation in Materials Science
Ruhr University Bochum（波鸿鲁尔大学）
针对材料科学研究数字化中缺乏开源自适应系统的问题，提出可扩展的MatInf解决方案，基于灵活信息管理，适用于多实验室协作，并在高通量实验中验证。
2024-04-21 cond-mat.mtrl-sci cs.DL
Quantum Information Science from the Perspective of a Device and Materials Engineer
量子信息科学以可能对设备或材料工程师有用的方式呈现。强调自旋实现。
2004-02-12 cond-mat.mes-hall cond-mat.mtrl-sci
Opportunities and Challenges for Machine Learning in Materials Science
机器学习的进步已经影响了材料科学的无数领域，从发现新材料到改进分子模拟，可能还有更多重要的发展。鉴于这一领域的迅速变化，了解机会的广度以及利用机会的最佳做法是一项挑战。在这篇综述中，我们通过概述机器学习最近在材料科学中产生重大影响的领域来解决这两个问题的各个方面，然后就确定一些常见类型的机器学习模型的准确性和适用范围进行更详细的讨论。最后，我们讨论了材料社区充分利用机器学习能力的一些机会和挑战。
2020-06-25 cond-mat.mtrl-sci physics.comp-ph
A Critical Examination of Active Learning Workflows in Materials Science
The NOMAD Laboratory at the Fritz Haber Institute of the Max Planck Society（弗里茨·哈伯研究所的NOMAD实验室）
本文批判性地评估了材料科学中主动学习工作流的设计与性能，探讨关键设计选择对工作流效果的影响，并提供实践指导。
2026-01-09 cond-mat.mtrl-sci cs.LG
Learning physical descriptors for materials science by compressed sensing
大数据在材料科学中的可用性为分析材料性能和功能并实现科学理解提供了新的途径。在这些数据中发现标准工具无法直接看到的结构和科学信息的利用需要基于统计学习，压缩传感和应用数学，计算机科学，统计学，信号处理和信息科学的其他最新方法的新方法。在本文中，我们解释并演示了一种基于压缩感知的特征选择方法，特别是用于发现物理描述符，即，描述材料及其感兴趣性质的物理参数，以及明确和定量描述这些相关性质的相关方程。作为示范应用和概念验证，我们描述了如何建立一个物理模型，用于定量预测二元化合物半导体的晶体结构。
2016-12-13 cond-mat.mtrl-sci physics.data-an
A Data Ecosystem to Support Machine Learning in Materials Science
促进机器学习在材料科学问题中的应用需要增强数据生态系统，以实现从多个来源发现和收集数据，在整个生态系统中自动传播新数据，并将数据与特定材料的机器学习模型连接起来。在这里，我们提出了两个项目，材料数据设施（Material Data Facility）和科学数据和学习中心（Data and Learning Hub for Science，DLHub），以满足这些需求。我们使用示例来展示如何利用DLHub和DLHub功能将数据与机器学习模型链接起来，以及用户如何通过Web和编程接口访问这些功能。
2019-07-21 cond-mat.mtrl-sci physics.comp-ph
Functional Unit: A New Perspective on Materials Science Research Paradigms
本文提出功能单元概念，旨在解决材料科学从传统范式向数据驱动AI范式转变过程中结构-性质相关性理解的不足，并探讨其在多尺度材料设计中的应用与挑战。
2025-03-11 cond-mat.mtrl-sci cs.LG
Scientific AI in materials science: a path to a sustainable and scalable paradigm
最近，在材料科学、凝聚态物理和化学社区中，机器学习（ML）和人工智能（AI）方法的使用有不断增长的趋势。这篇观点文章确定了材料界必须优先考虑的关键科学，技术和社会机会，以持续开发和利用科学人工智能，为推进当前材料有限的技术提供可靠的途径。在这里，我们强调了这些机会的交叉点，并提出了一系列前进的道路。机会大致从科学/技术（例如，发展鲁棒的、物理上有意义的多尺度材料表示）到社会（例如，促进人工智能就绪的劳动力）。拟议的前进道路包括开发新的基础设施和能力，以及在工业和学术界部署它们。我们简要介绍了人工智能在材料科学和工程中的应用，然后详细讨论了每一个机会和前进的道路。
2020-03-18 cond-mat.mtrl-sci physics.comp-ph
Mechanistic Data Science for Modeling and Design of Aerospace Composite Materials
聚合物基复合材料具有显著的轻质和高强度特性，使其在航空航天应用中具有吸引力。成分材料，如高级聚合物和纤维或具有分层结构的填料，将这些特殊性能嵌入到复合材料中。这种多个长度尺度的分层结构为设计复合材料以优化性能提供了机会。然而，复合材料各组成部分的材料和结构选择所需的高维设计空间使其成为一个具有挑战性的设计问题。为了解决这个高维的设计空间，一个系统的，有效的方法命名为机械数据科学框架，在这项工作中，以确定材料系统的管理机制，从有限的可用数据，并创建一个复合知识数据库。我们的复合材料知识数据库包括纳米级聚合物与纳米增强材料的知识，微米级的单向结构，以及可进一步用于部分规模复合材料设计和分析的中尺度机制的编织结构。在这项工作中提出的机械数据科学框架可以进一步扩展到其他材料系统，将提供必要的工具，材料设计师快速评估新材料系统设计。
2021-12-02 cond-mat.dis-nn 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
Now is the time to build a national data ecosystem for materials science and chemistry research data
呼吁政府、学术界和工业界采取协调行动。
2022-01-01 cond-mat.mtrl-sci physics.chem-ph physics.soc-ph
MADAS -- A Python framework for assessing similarity in materials-science data
本文提出MADAS Python框架，用于自动下载材料数据、计算描述符与相似性并整合机器学习方法，以从大规模异构材料科学数据中可靠提取知识。
2024-03-15 cond-mat.mtrl-sci physics.comp-ph
MaterialFigBENCH: benchmark dataset with figures for evaluating college-level materials science problem-solving abilities of multimodal large language models
MaterialFigBench是一个评估多模态大语言模型在材料科学问题中图表解读能力的基准数据集，通过137个问题测试模型在视觉理解和数值精度上的表现，揭示了当前模型在图表处理方面的不足。
2026-03-12 cond-mat.mtrl-sci cs.CL
Symbolic Regression in Materials Science
我们展示了符号回归作为材料研究中使用的分析方法的潜力。首先，我们简要介绍了目前国家的最先进的方法，遗传编程为基础的符号回归（GPSR），和最近的进展，符号回归技术。接下来，我们将讨论符号回归的工业应用及其在材料科学中的潜在应用。然后，我们提出了两个GPSR用例：制定一个转换动力学定律，并显示学习计划发现了著名的约翰逊-梅尔-阿夫拉米-科尔莫戈罗夫（JMAK）形式，并学习朗道自由能泛函形式的位移倾斜过渡钙钛矿LaNiO $_3$。最后，我们建议材料科学家应该考虑将符号回归技术作为其他基于机器学习的回归模型的替代，以从数据中学习。
2019-05-16 cond-mat.mtrl-sci physics.comp-ph
Recent Advances and Applications of Deep Learning Methods in Materials Science
深度学习（DL）是材料数据科学中发展最快的主题之一，其应用迅速发展，涵盖原子、基于图像、光谱和文本数据模式。DL允许分析非结构化数据和自动识别特征。近年来，大型材料数据库的发展推动了DL方法在原子预测中的应用。相比之下，图像和光谱数据的进步在很大程度上利用了由高质量正演模型以及生成式无监督DL方法实现的合成数据。在这篇文章中，我们对深度学习方法进行了高层次的概述，然后详细讨论了深度学习在原子模拟，材料成像，光谱分析和自然语言处理方面的最新发展。对于每一种形式，我们讨论的应用程序涉及理论和实验数据，典型的建模方法，其优势和局限性，以及相关的公开可用的软件和数据集。最后，我们讨论了最近的交叉工作相关的不确定性量化在这一领域和DL方法在材料科学的局限性，挑战和潜在的增长领域的一个简要的观点。DL方法在材料科学中的应用为未来的材料发现和设计提供了一条令人兴奋的途径。
2021-10-28 cond-mat.mtrl-sci physics.comp-ph
From Text to Insight: Large Language Models for Materials Science Data Extraction
Friedrich Schiller University Jena（弗里德里希·席勒大学耶拿分校）；Institute of Carbon Science and Technology (INCAR), CSIC（西班牙国家研究委员会碳科学与技术研究所）；Humboldt-Universität zu Berlin（柏林洪堡大学）；Intel Labs（英特尔实验室）；Center for Energy and Environmental Chemistry Jena (CEEC Jena), Friedrich Schiller University Jena（弗里德里希·席勒大学耶拿分校耶拿能源与环境化学中心）；Helmholtz Institute for Polymers in Energy Applications Jena (HIPOLE Jena)（亥姆霍兹能源应用聚合物研究所耶拿分校）
该综述梳理LLM在材料科学结构化数据提取中的应用、挑战与领域知识协同框架，为数据驱动材料研究提供指导。
2024-12-02 cond-mat.mtrl-sci cs.LG
MatTools: Benchmarking Large Language Models for Materials Science Tools
Center for Structural Materials, Department of Mechanical Engineering, The University of Hong Kong（香港大学机械工程系结构材料中心）；Materials Innovation Institute for Life Sciences（生命科学创新研究所）
MatTools通过代码生成和执行评估LLM在材料科学工具中的能力，揭示通用模型优于专业模型，AI理解AI，及简单方法更优的结论。
2025-12-16 cond-mat.mtrl-sci cs.CL cs.DB
Tutorial: Magnetic resonance with nitrogen-vacancy centers in diamond---microwave engineering, materials science, and magnetometry
这篇教程文章提供了一个简洁和教学概述负电荷的氮空位（NV）中心的钻石。NV中心的研究因其在量子传感中的应用而引起了极大的关注，不仅包括物理学和应用物理领域，而且还包括化学、生物学和生命科学领域。尽管如此，其关键技术方面可以从磁共振的角度来理解。我们专注于这一不断扩大的研究领域的三个方面，我们的观点是特别相关的：微波工程，材料科学和磁力学。通过对这些方面的阐述，为NV中心的研究提供了技术基础和最新技术。
2018-02-22 cond-mat.mtrl-sci quant-ph
Graph neural networks for materials science and chemistry
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Université de Strasbourg（斯特拉斯堡大学）；Eindhoven University of Technology（埃因霍温理工大学）
机器学习在化学和材料科学的许多领域中发挥着越来越重要的作用，例如预测材料特性，加速模拟，设计新材料，以及预测新材料的合成路线。图神经网络（GNN）是机器学习模型中增长最快的一类。它们与化学和材料科学特别相关，因为它们直接处理分子和材料的图形或结构表示，因此可以完全访问表征材料所需的所有相关信息。在这篇综述文章中，我们概述了GNN的基本原理，广泛使用的数据集和最先进的架构，然后讨论了GNN在化学和材料科学中的广泛应用，最后给出了GNN进一步开发和应用的路线图。
2022-08-05 cond-mat.mtrl-sci cs.LG physics.chem-ph
Materials Cloud, a platform for open computational science
Materials Cloud是一个旨在实现计算科学资源开放和无缝共享的平台，由材料建模应用程序驱动。它托管1）原始数据和策展数据的存档和传播服务，以及它们的出处图，2）建模服务和虚拟机，3）数据分析和预/后处理工具，以及4）教育材料。数据是可引用的，并永久存档，提供了扩展到计算工作流的FAIR原则的全面体现。Materials Cloud利用AiiDA框架以图形的形式记录整个模拟管道的来源（执行的计算、使用的代码、生成的数据），从而允许追溯和重现任何计算结果。当AiiDA数据库在Materials Cloud上共享时，同行可以浏览相互关联的模拟记录，下载单个文件或完整的数据库，并从原作者的结果开始研究。该基础设施是不可知的特定的模拟代码使用，并可以支持在计算科学，超越其最初的材料领域的各种应用。
2020-03-27 cond-mat.mtrl-sci physics.comp-ph
Broken neural scaling laws in materials science
Institute of Physics（物理研究所）；Institute of Micro（微研究所）
本研究发现材料科学中预测介电函数的神经缩放定律在数据集规模上失效，但模型参数数量的缩放遵循简单幂律。
2026-02-05 cond-mat.mtrl-sci cs.LG
Exploring the Expertise of Large Language Models in Materials Science and Metallurgical Engineering
本文用 MaScQA 基准评测15种 LLM 的材料科学与冶金工程问答能力，发现闭源模型准确率约84%、领先开源模型，并为后续专业化训练与微调建立基线。
2025-01-08 cond-mat.mtrl-sci physics.comp-ph
