Predicting Oxide Glass Properties with Low Complexity Neural Network and Physical and Chemical Descriptors
Indian Institute of Technology Delhi（印度理工学院德里分校）
本文提出低复杂度神经网络并结合物理化学描述符，在约5万条玻璃组分数据上实现优于XGBoost的性质预测，并能泛化到训练集外的新组分，为加速新型玻璃发现提供方向。
2022-10-19 cond-mat.mtrl-sci cs.LG
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
Predicting CaO-(MgO)-Al2O3-SiO2 glass reactivity in alkaline environments from force field molecular dynamics simulations
在这项研究中，基于力场的分子动力学（MD）模拟已被用于生成一系列非晶四元CaO-MgO-Al_2 O_3-SiO_2（CMAS）和三元CaO-Al_2 O_3-SiO_2（CAS）玻璃的详细结构表示。模拟结果与选定的实验X射线和中子总散射和文献数据的比较表明，MD生成的结构已经捕获了这些CMAS和CAS玻璃的关键结构特征。基于MD生成的结构表示，我们开发了两个结构描述符，具体地说，（i）平均金属氧化物离解能（AMODE）和（ii）熔化时所有原子的平均自扩散系数（ASDC）。这两种结构描述符被认为是更准确地预测的相对玻璃反应性比常用的解聚度参数，特别是对于八个合成CAS玻璃，跨越宽的组成范围。因此，这些描述符具有很大的希望预测CMAS和CAS玻璃在碱性环境中的反应性，从组成信息。
2021-01-30 cond-mat.mtrl-sci
Predicting the Curie Temperature of Magnetic Materials with Machine Learning: Descriptor Engineering, Graph Neural Networks, and the Role of Curated Data
Isfahan University of Technology（伊斯法罕理工大学）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究所）
本文提出基于2,500种铁磁化合物精选数据集的机器学习框架，结合化学计量加权描述符和图神经网络预测居里温度，CatBoost的$R^2$最高达0.91，并证明高质量数据和电离能特征对提升预测精度至关重要。
2025-09-22 cond-mat.mtrl-sci
Crystal Structure Prototype Identification via Element-Mapped Rotation-Invariant Descriptors
Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences（中国科学院上海微系统与信息技术研究所）
该研究提出一种元素映射旋转不变描述符方法，结合可训练块对角投影与MLP，实现272类晶体结构原型的原子级分类，准确率达99.38%，运行高效可用于网站部署。
2026-08-28 cond-mat.mtrl-sci
Predicting Melting point and Viscosity of Ionic Liquids Using New Quantum Chemistry Descriptors
离子液体是一类新兴的化合物，具有可忽略的蒸气压等优良性质。这些所谓的设计溶剂有可能在工业应用中取代挥发性有机化合物。通过不同阳离子和阴离子的组合，可以潜在地合成大量的离子液体。在这种情况下，通过计算机辅助方法智能地设计定制的IL将是有用的。实际的局限性决定了，任何成功地尝试设计用于工业应用的新型离子液体都需要能够准确地预测它们的熔点和粘度，因为实验数据将无法用于所设计的结构。在本文中，我们提出了两个新的相关方程，更精确地预测的熔点和粘度的离子液体的量子化学计算的输入的基础上（没有实验数据或模拟结果是必要的）。为了开发这些相关性，我们利用了与构成离子液体的阳离子和阴离子的大小、形状和静电性质有关的数据。在这项工作中，使用了新的描述符，如阳离子和阴离子的介电能以及由ad-hoc模型预测的阳离子和阴离子的半径（而不是它们的范德华半径）的值。一个巨大的形式的相关方程组成的所有不同组合的描述符（作为输入到模型）进行了测试。测得熔点、Tm和ln（vis）的平均相对误差分别为3.16%和6.45%。
2016-11-30 cond-mat.mtrl-sci physics.chem-ph
Machine learning descriptors for predicting the high temperature oxidation of refractory complex concentrated alloys
School of Materials Engineering, Purdue University（普渡大学材料工程学院）
提出基于物理信息描述符的高斯过程回归机器学习框架，预测难熔复杂浓缩合金的高温氧化比质量变化，加速发现抗极端环境的下一代合金。
2025-11-02 cond-mat.mtrl-sci
An Explainable Machine Learning Framework for Predicting Blood-Brain Barrier Permeability Using Molecular Descriptors
Sharif University of Technology（谢里夫理工大学）
本研究利用分子描述符和四种机器学习算法构建可解释框架预测血脑屏障通透性，其中优化XGBoost性能最佳，并识别出TPSA、HBD和LogP为关键影响因素。
2026-09-10 cond-mat.mtrl-sci cs.LG
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
A Critical Assessment of Electronic Structure Descriptors for Predicting Perovskite Catalytic Properties
本文批判性评估了O p带中心电子结构描述符在大型钙钛矿氧化物数据库中预测氧表面交换、扩散和面积比电阻的能力，发现相关性中等且受实验不确定性影响，高温和多测量子集可显著改善预测。
2023-10-26 cond-mat.mtrl-sci
Predicting Grain Growth Evolution Under Complex Thermal Profiles with Deep Learning through Thermal Descriptor Modulation
Mines Paris, PSL University（巴黎矿业学院，PSL大学）；Centre for material forming (CEMEF), UMR CNRS（材料成形中心（CEMEF），CNRS联合研究单位）
本文提出通过热描述符调制扩展深度学习框架，以预测复杂时间变化热 profile 下的晶粒生长，实验显示模型在结构相似性指数和晶粒尺寸误差方面表现优异。
2026-03-25 cond-mat.mtrl-sci
A general rule for predicting the magnetic moment of Cobalt-based Heusler compounds using compressed sensing and density functional theory
我们提出了一个一般规则，用于估计钴$ 2$（钴）为基础的Heusler合金的磁矩，特别是当掺杂后过渡金属。我们提出了一个描述符，可以描述纯的CoPDMATHABMN YZ化合物和掺杂的化合物与化学式CoPDMATHABMN Y $_{1-x}$ $_x$ Z（M是掺杂剂）使用在线数据的磁矩与Co $_2$ YZ结构和压缩传感方法的Heusler合金。新提出的描述符不仅取决于化合物的价电子数，而且还取决于掺杂位置中未被占据的d电子数。提出的描述符和斯莱特-鲍林规则的性能进行了比较。与仅对半金属Heusler化合物有效的Slater-Pauling规则不同，我们的机器学习方法更通用，因为它适用于任何Co $_2$ YZ Heusler化合物，无论它们是否是半金属。我们使用这个新的规则来估计一些尚未被发现的Heusler化合物的磁矩，并将结果与基于密度泛函理论（DFT）的计算结果进行比较。最后，我们使用DFT和机器学习研究来证明它们的稳定性。
2022-08-14 cond-mat.mtrl-sci
Predicting room-temperature conductivity of Na-ion super ionic conductors with the minimal number of easily-accessible descriptors
本文提出仅用钠离子含量和金属离子平均半径两个易获取描述符构建回归模型，预测NASICON型钠离子超离子导体的室温电导率，并发现一种新型高电导率稳定成分。
2024-04-02 cond-mat.mtrl-sci physics.comp-ph
Transferable and Robust Machine Learning Model for Predicting Stability of Si Anodes for Multivalent Cation Batteries
本文提出基于SVR的硅-碱金属合金稳定性预测模型，利用约750种合金数据比较XRD、SCM和OFM描述符，证明XRD结合超参数调优可提升跨结构迁移性并降低数据需求。
2023-06-25 cond-mat.mtrl-sci physics.chem-ph
Linking quantum mechanical features to structural phase-transformation in inorganic solids
研究提出局部晶格畸变描述符，结合量子力学效应预测含镧系和过渡金属无机固体的结构相变，并通过实验验证了其准确性和通用性。
2025-03-05 cond-mat.mtrl-sci
Predicting materials properties without crystal structure: Deep representation learning from stoichiometry
University of Cambridge（剑桥大学）
机器学习有可能通过以低计算成本准确预测材料特性来加速材料发现。然而，模型输入仍然是一个关键的绊脚石。目前的方法通常使用从完整晶体结构的知识构建的描述符-因此仅适用于具有已经表征的结构的材料-或从化学计量手工设计的结构不可知的固定长度表示。我们开发了一种机器学习方法，它只需要化学计量作为输入，并自动从数据中学习适当的和系统可改进的描述符。我们的主要观点是将化学计量公式视为元素之间的稠密加权图。与结构不可知的方法相比，我们的方法用更少的数据实现了更低的错误。
2020-09-23 cond-mat.mtrl-sci cs.LG physics.comp-ph
Data-Efficient Machine learning for Predicting Dopant Formation Energies in TiO$_2$ Monolayer
University of Oulu（奥卢大学）
本文提出利用小数据集和物理指导描述符，通过机器学习预测TiO₂单层掺杂形成能，展示了数据高效方法在材料筛选中的潜力。
2026-02-16 cond-mat.mtrl-sci physics.comp-ph
A simple descriptor and predictor for the stable structures of two-dimensional surface alloys
由于大量的可能构型，预测合金系统的基态是具有挑战性的。我们确定了一个易于计算的描述符的二元表面合金的稳定性，有效的配位数$\mathscr{E}$。根据对$M_x$ Au $_{1-x}$ /Ru [ $M$ = Mn或Fe]的密度泛函理论（DFT）计算，我们表明$\mathscr{E}(M)$与混合焓具有良好的相关性。在每个$x$，如果系统是非磁性[铁磁性]，则最有利的结构具有最高[最低]的$\mathscr{E}(M)$值。重要的是，在用$\mathscr{E}^*(M)$替换$\mathscr{E}(M)$时几乎没有精度损失，这可以在不执行DFT计算的情况下快速计算，可能为频繁使用的簇扩展方法提供简单的替代方案。
2017-02-16 cond-mat.mtrl-sci
Descriptor and Graph-based Molecular Representations in Prediction of Copolymer Properties Using Machine Learning
本研究利用分子描述符和图神经网络两种表示方法，通过机器学习预测共聚物的七种物理性质，发现描述符适合预测密度和热容，图表示适合预测膨胀系数和体积模量，从而加速共聚物发现和设计。
2025-09-15 cond-mat.mtrl-sci
Through the eyes of a descriptor: Constructing complete, invertible descriptions of atomic environments
在这项工作中，我们将用于描述3D图像的方法应用于以原子的旋转，平移和排列不变的方式编码原子环境的问题，并且至关重要的是，可以解码回原始环境模全局方向，而无需训练模型。从解码的角度来看，描述符是最佳的完整的，可以扩展到任意顺序，允许系统收敛的描述的保真度。在分子大小从3到29个原子的实验中，我们证明了位置可以以97%的成功率解码，位置加上物种的成功率为70%，如果使用第二个指纹，则上升到95%。在所有情况下，对于具有17个或更少原子的分子观察到一致的恢复。此外，我们评估的描述符的性能预测的能量和力量的散装镍，铜，锂，钼，硅和锗的DFT数据训练的神经网络模型。当与使用各种描述符和回归方案的六种机器学习交互潜在方法进行比较时，发现我们的描述符具有竞争力，在某些情况下优于成熟的方法。从不需要学习的表示中解码和进行属性预测的组合能力为构建生成模型的新方法奠定了基础，该生成模型的任务是解决预测原子排列的逆问题，这些原子排列在统计上可能具有某些期望的属性。
2021-10-27 cond-mat.dis-nn cond-mat.mtrl-sci
Expanding the search space of high entropy oxides and predicting synthesizability using machine learning interatomic potentials
Stewart Blusson Quantum Matter Institute, University of British Columbia（不列颠哥伦比亚大学斯图尔特·布卢森量子物质研究所）；Department of Physics & Astronomy, University of British Columbia（不列颠哥伦比亚大学物理与天文学系）；Canadian Institute for Advanced Research (CIFAR)（加拿大高级研究院）
利用机器学习互原子势预测高熵氧化物的可合成性，通过熵描述符和混合焓描述符筛选候选化合物，有效发现新的高熵氧化物结构。
2025-09-03 cond-mat.dis-nn 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
Perspective on descriptors of mechanical behavior of cubic transition-metal carbides and nitrides
本文针对立方岩盐型TMC/Ns，指出仅靠VEC描述其稳定性与力学行为存在局限，主张引入组分差异描述符、半经验模型及VEC的键型分解以提升预测能力。
2024-04-26 cond-mat.mtrl-sci
High-entropy high-hardness metal carbides discovered by entropy descriptors
高熵材料由于其优异的性能和广阔的应用前景而引起了人们的广泛兴趣。预测它们的形成仍然是发现新系统的主要障碍。在这里，我们提出了一个描述符-熵形成能力-从第一原则解决综合性。的形式主义，随机计算的能量分布谱的基础上，捕获的基态附近的等采样状态的可访问性和量化的配置混乱能够稳定高熵均匀相。该方法适用于无序难熔5-金属碳化物-高硬度应用的有前途的候选人。描述符正确地预测了组合物可以通过实验合成为岩盐高熵均匀相的容易程度，验证了Anonymous，并且在某些情况下，超越了直觉。这些材料中有几种表现出的硬度比混合物规则估计值高出50%。熵描述子方法通过合理地结合第一性原理与实验合成和表征，有可能加速高熵系统的搜索。
2018-11-19 cond-mat.mtrl-sci
Predicting tensorial molecular properties with equivariant machine-learning models
将分子对称性嵌入机器学习模型是有效学习化学物理标量性质的关键，但几乎没有证据表明如何将相同的策略扩展到张量。在这里，我们制定了一个可扩展的等变机器学习模型的基础上本地原子环境描述符。我们将其应用到一系列的分子，并表明，准确的预测可以实现一个全面的列表的介电和磁张量性质的不同职级。这些结果表明，等变模型是一个很有前途的平台，可以扩展机器学习在材料建模中的应用范围。
2022-02-03 cond-mat.mtrl-sci
Spectral descriptors for bulk metallic glasses based on the thermodynamics of competing crystalline phases
近年来，金属玻璃由于其优异的性能和加工性能的独特组合而引起了相当大的兴趣。从已知参数预测大块金属玻璃形成体仍然是一个挑战，并且仍然通过试验和错误来搜索新系统。据推测，在与玻璃形成竞争的结晶相的结晶过程中，某种“混乱”可能起关键作用。在这里，我们提出了一个启发式的描述量化混乱，并证明其有效性的两个著名的玻璃形成合金系统的详细实验。通过这些结果提供的洞察力，我们开发了一个强大的模型，用于预测玻璃形成能力的基础上的光谱分解的几何和能量的结晶相从头计算的AFLOW高通量框架。我们的研究结果表明，金属玻璃相的形成可能是一个比目前估计的更常见的现象，超过17%的二元合金系统是潜在的玻璃形成。我们的方法能够精确定位有利的成分，克服阻碍新材料发现的主要瓶颈。因此，它表明，智能描述符，完全基于从第一原理计算和在线数据库中提供的竞争晶相的能量和结构，其他人的抢手的关键，加速发现新的金属玻璃。
2016-07-16 cond-mat.mtrl-sci physics.comp-ph physics.data-an
Predicting Aqueous Solubility of Organic Molecules Using Deep Learning Models with Varied Molecular Representations
Pacific Northwest National Laboratory（太平洋西北国家实验室）
确定分子的水溶性是许多制药，环境和能量存储应用中的重要步骤。尽管几十年来做出了努力，但仍然存在与开发对于许多这些应用具有令人满意的准确度的溶解度预测模型相关联的挑战。本研究的目的是开发一个通用的模型，能够预测范围广泛的有机分子的溶解度。使用目前最大的溶解度数据集，我们实现了基于深度学习的模型来预测分子结构的溶解度，并使用四种不同的神经网络架构探索了几种不同的分子表示，包括分子描述符，简化的分子输入线输入系统（SMILES）字符串，分子图和三维（3D）原子坐标-全连接神经网络（FCNN），递归神经网络（RNN）、图神经网络（GNNs）和SchNet。我们发现，使用分子描述符的模型实现了最佳性能，GNN模型也实现了良好的性能。我们进行广泛的错误分析，以了解影响模型性能的分子特性，进行特征分析，以了解哪些分子结构信息对预测最有价值，并进行迁移学习和数据大小研究，以了解数据可用性对模型性能的影响。
2021-05-27 cond-mat.mtrl-sci cs.LG
Topological descriptors for the electron density of inorganic solids
针对现有晶体材料描述符忽略电子密度的问题，提出基于持续同调的Betti曲线拓扑描述符，在多项材料性质预测任务中性能优于原始电子密度模型，兼具高信息量与紧凑性，展现拓扑数据分析在材料设计中的应用潜力。
2025-06-17 cond-mat.mtrl-sci physics.chem-ph
Machine learning with force-field inspired descriptors for materials: fast screening and mapping energy landscape
我们提出了一套完整的化学结构描述符，以显着扩展机器学习（ML）在多组分系统的材料筛选和映射能量景观的适用性。这些新的描述符允许区分结构原型，这是不可能使用常用的化学描述符。具体而言，我们证明了成对的径向，最近邻，键角，二面角和核心电荷分布的组合在预测形成能，带隙，静态折射率，磁性和弹性模量的三维（3D）材料以及剥离能的二维（2D）层状材料中起着重要的作用。训练数据由取自JARVIS-DFT数据库的24549块体材料和616块单层材料组成。我们使用梯度提升算法获得了非常准确的ML模型。然后，我们使用经过训练的模型来发现满足特定性能要求的可剥离2D分层材料。此外，我们将我们的形成能量ML模型与遗传算法的结构搜索，以验证ML模型再现DFT凸包。这种验证为ML模型建立了比数据科学中常用的更严格的评估指标。我们学习的模型可在JARVIS-ML网站（https：//www.example.com）上公开获得广义材料的属性预测。
2018-07-19 cond-mat.mtrl-sci
Data-Driven, Physics-Informed Descriptors of Cation Ordering in Multicomponent Oxides
针对多组分钙钛矿氧化物阳离子有序结构难预测的问题，结合第一性原理模拟与机器学习开发了数据驱动、物理信息描述符，在190种钙钛矿数据集上排序准确率达93%，可加速高通量虚拟筛选。
2023-05-02 cond-mat.mtrl-sci physics.chem-ph
Composition based crystal materials symmetry prediction using machine learning with enhanced descriptors
空间群和晶系等几何信息对晶体材料的性质起着重要的作用。因此，晶系和空间群的预测在晶体材料性质预测和结构预测中具有广泛的应用。基于实验X射线衍射（XRD）和密度泛函理论（DFT）的结构测定方法取得了优异的性能，但它们不适用于大规模筛选材料组成。也有使用Magpie描述符的机器学习模型用于基于成分的材料空间群确定，但它们的预测精度在不同种类的晶体中仅在0.638和0.907之间。在此，我们报告了一种改进的机器学习模型，用于仅使用分子式信息来预测材料的晶体系统和空间群。从材料项目数据库下载的数据集的基准研究表明，我们的随机森林模型的基础上，我们的新的描述符集，实现显着的性能改善与以前的工作相比，准确度分数范围在0.712和0.961之间的空间群分类。我们的模型也显示了晶体系统预测的大的性能改善。经过训练的模型和源代码可以在\url{https://github.com/Yuxinya/SG_predict}上免费获得
2021-05-15 cond-mat.mtrl-sci
Topological Descriptors Help Predict Guest Adsorption in Nanoporous Materials
Stanford University（斯坦福大学）；IMDEA Materials Institute（IMDEA材料研究所）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
机器学习已经成为预测材料性能的实验和模拟的一种有吸引力的替代方案。通常，这种方法依赖于特定的领域知识进行特征设计：每个学习目标都需要仔细选择专家认为对特定任务重要的特征。这种方法的主要缺点是，到目前为止，只实现了几个结构特征的计算，并且很难先验地告诉哪些特征对于特定的应用是重要的。后一个问题已被经验观察到的纳米多孔材料中的客体吸收的预测：局部和全局的孔隙度特征成为主导的描述符，分别在低和高的压力。我们调查的特征表示的材料使用的工具，从拓扑数据分析。具体来说，我们使用持久的同源性来描述纳米多孔材料的几何形状在不同的尺度。我们将我们的拓扑描述符与传统的结构特征相结合，并研究每个预测任务的相对重要性。我们证明了这种功能表示的应用程序，通过预测甲烷吸附在沸石中，在1-200巴的范围内的压力。我们的研究结果不仅显示出与基线相比有相当大的改进，而且还强调了拓扑特征捕获与结构特征互补的信息：这对于低压下的吸附尤其重要，这对于传统特征来说是一项特别困难的任务。此外，通过研究吸附模型中各个拓扑特征的重要性，我们能够确定在不同压力下与吸附最相关的孔的位置，有助于我们对结构-性质关系的原子级理解。
2020-03-06 cond-mat.mtrl-sci cs.LG math.AT
A Performance and Cost Assessment of Machine Learning Interatomic Potentials
局部环境描述符和原子系统的势能面之间的定量关系的机器学习已经成为原子间势（IAP）发展的新前沿。在这里，我们提出了一个全面的评估ML-IAP的基础上四个本地环境描述符-贝勒-帕里内洛对称函数，平滑重叠的原子位置（SOAP），光谱邻居分析潜力（SNAP）的双谱分量，矩张量-使用不同的数据集，使用高吞吐量的密度泛函理论（DFT）计算。选择包括bcc（Li，Mo）和fcc（Cu，Ni）金属和金刚石IV族半导体（Si，Ge）的数据集以跨越晶体结构和键合的范围。所有研究的描述符表现出优异的性能，在预测的能量和力量远远超过经典的IAP，以及预测性能，如弹性常数和声子色散曲线。我们观察到的准确性和每个模型的自由度之间的一般权衡，因此计算成本。我们将在分子动力学和其他应用的模型选择的背景下讨论这些权衡。
2019-07-24 cond-mat.mtrl-sci physics.comp-ph
Persistent homology-based descriptor for machine-learning potential of amorphous structures
The Institute of Scientific and Industrial Research, Osaka University（大阪大学产业科学研究所）；Institute for Molecular Science（分子科学研究所）；JST, PRESTO（日本科学技术振兴机构PRESTO项目）；Center for Artificial Intelligence and Mathematical Data Science, Okayama University（冈山大学人工智能与数学数据科学中心）；The University of Tokyo（东京大学）
针对非晶材料物理性质预测的挑战，提出基于持续同调的新型描述符，无需超参数调优和深度学习即可有效构建机器学习势。
2023-05-22 cond-mat.dis-nn cond-mat.mtrl-sci cs.LG
SISSO: a compressed-sensing method for identifying the best low-dimensional descriptor in an immensity of offered candidates
缺乏可靠的方法来识别描述符-参数集捕捉材料性能的基本机制-是阻碍有效材料开发的关键因素之一。在这里，我们提出了一个系统的方法来发现材料属性的描述符，基于压缩感知的降维框架内。SISSO（sure independence screening and sparsifying operator）处理巨大且相关的特征空间，并从与感兴趣的材料属性相关的特征组合中收敛到最优解。此外，SISSO在小训练集上也给出了稳定的结果。该方法的基准与八重态二元材料的基态的frompies的定量预测（使用从头算数据），并应用于展示的例子预测的金属/绝缘体分类的二进制文件（实验数据）。在这两种情况下都可以找到准确的预测模型。对于金属-绝缘体分类模型，预测能力在训练数据之外进行了测试：它重新发现了可用的压力诱导绝缘体->金属转变，并允许预测未知的转变候选者，成熟的实验验证。相对于以前的模型识别方法，SISSO可以成为自动材料开发的有效工具。
2018-06-27 cond-mat.mtrl-sci
An Efficient Descriptor Model for Designing Materials for Solar Cells
提出了一种快速筛选太阳能电池潜在材料的有效描述子模型。它适用于激子和非激子太阳能电池材料，并且除了能隙之外，它还包括材料的吸收光谱（$α(E)$）。探索的材料的电荷传输特性的建模使用的特征扩散长度（$L_{d}$）确定的各个家族的化合物。提出的模型超越了广泛使用的Scharber模型开发的体异质结太阳能电池[Scharber \textit{et al., Advanced Materials}，2006年，第18卷，789]。使用已发表的实验数据，我们表明，所提出的模型是更准确地预测可实现的效率。虽然这项工作的重点是有机光致发光（OPV），其中原来的Scharber模型的开发，这里提出的模型也适用于其他太阳能电池技术。为了模拟激子和非激子系统，使用两组不同的参数来说明不同的操作模式。所提出的描述符模型的分析清楚地表明，考虑到改进的筛选结果，包括$α(E)$和$L_{d}$的益处。
2017-06-03 cond-mat.mtrl-sci physics.app-ph
Understanding and predicting trends in adsorption energetics on monolayer transition metal dichalcogenides
本研究考察多种过渡金属在二维TMDs表面的吸附规律，建立吸附能与原子及电子结构描述符的预测模型，并将其关联至非易失性电阻开关能。
2025-07-25 cond-mat.mes-hall cond-mat.mtrl-sci
Prediction of Atomization Energies of Au13+ Clusters through the Machine Learning Approach
为了提高密度泛函理论的计算效率，我们利用原子间距离和质心距离作为描述子，通过非线性回归模型研究了一种预测Au 13+团簇原子化能的新方法.使用由分子动力学模拟产生的原子坐标和Kohn-Sham能量的时间序列数据创建学习数据。该方法预测了15个已知的Au ~（13+）团簇稳定/亚稳结构的原子化能。此外，我们发现，通过消除代表短原子间距离的描述符，可以显着改善对测试数据的拟合。
2019-03-07 cond-mat.mtrl-sci physics.comp-ph
Discovering Physically Interpretable Mathematical Expression for Predicting CO2 Adsorption in Metal-Organic Frameworks via Machine Learning-Symbolic Regression
The University of Edinburgh（爱丁堡大学）；Luleå University of Technology（吕勒奥理工大学）；Shanghai Jiao Tong University（上海交通大学）；Tsinghua University（清华大学）
本研究通过ML-SR方法，结合关键结构描述符推导得到可物理解释的CO₂吸附公式，在大规模hMOFs数据集上实现70%以上预测准确率，兼具高效性与机制可解释性。
2026-08-18 cond-mat.mes-hall cond-mat.mtrl-sci physics.chem-ph
Neural Network-Guided Symbolic Regression for Interpretable Descriptor Discovery in Perovskite Catalysts
The University of Toledo（托莱多大学）
提出结合神经网络、特征重要性分析和符号回归的两阶段框架，在数据稀缺下发现钙钛矿催化剂OER活性的可解释描述符，兼顾准确性与物理意义。
2025-07-16 cond-mat.mtrl-sci cs.LG physics.comp-ph
A fast transferable method for predicting the glass transition temperature of polymers from chemical structure
提出一种结合基团加和与定量结构-性质关系的快速可迁移方法，仅用两个分子描述符即可准确预测聚合物的玻璃化转变温度，解决了传统GAP方法的局限。
2024-11-10 cond-mat.dis-nn cond-mat.mtrl-sci cond-mat.soft
Predicting Properties of Periodic Systems from Cluster Data: A Case Study of Liquid Water
本文提出利用局域原子中心描述符，使机器学习势能从团簇数据预测周期性体系的体相性质，并以液态水的结构和动力学性质验证了该方法与实验及体相训练结果的高度一致性。
2023-12-03 cond-mat.mtrl-sci physics.comp-ph stat.ML
