A literature-derived dataset of migration barriers for quantifying ionic transport in battery materials
Indian Institute of Science(印度科学研究所);Indian Institute of Science Education and Research, Pune(印度科学与教育研究院,浦那分校);University College London(伦敦大学学院)
本研究提出了一组基于文献的迁移障碍数据集,用于通过机器学习预测电池材料中的离子传输性能。
2025-08-08 cond-mat.mtrl-sci
Quantifying the Stacking Registry Matching in Layered Materials
最近开发的方法[Marom等人,物理修订信函105,046801(2010)]来量化分层材料中的配准失配。注册指数,这是最初定义为平面六方氮化硼,扩展到处理石墨系统和广义描述多层纳米管。它表明,使用简单的几何考虑,它是可能的捕获复杂的物理特征层间滑动层状材料。所提出的模型的直观性和相关计算的效率表明,该方法可以作为一个强大的表征工具,在复杂的层状系统的层间相互作用。
2010-09-28 cond-mat.mes-hall cond-mat.mtrl-sci physics.chem-ph
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
Decoratypes: An Extensible Crystal Taxonomy for Machine Learning-Guided Materials Discovery
Northwestern University(西北大学)
本文提出装饰类型分类体系,结合主动学习构建铁电材料发现框架,预测出六种新型铁电候选材料,助力探索未充分研究的化学空间。
2025-09-09 cond-mat.mtrl-sci
Machine learning, phase stability, and disorder with the Automatic Flow Framework for Materials Discovery
传统的材料发现方法-主要依赖于艰苦的实验-已经控制了技术的步伐。相反,计算方法提供了一个加速的路径:高通量的探索和虚拟结构的表征。这些由自动化从头开始框架执行的项目迅速扩大了可编程访问的数据量,为数据驱动的方法创造了机会。在此,提出了一系列强大的表征方法,在材料发现的自动流框架(AFLOW)中实现,该框架利用材料数据来预测无序材料的相图和特性。这些方法直接解决了材料的可合成性问题,弥合了模拟和实验之间的差距。为这些预测提供动力的是AFLOW.org无机晶体库,这是同类数据库中最大和最全面的数据库,包含200多万种化合物,每种化合物计算出约100种不同的性质。正如使用标准化参数集计算的那样,丰富的数据也提供了有利的学习环境。机器学习算法用于性能预测、描述符开发、设计规则发现和候选功能材料的识别。当与物理模型和智能制定的描述符相结合时,数据成为一个强大的工具,促进了从高温超导体到热电应用的新材料的发现。这些方法已经通过本文介绍的两个新的永磁体的合成进行了验证-这是通过计算方法首次发现的。
2018-11-20 cond-mat.mtrl-sci
Quantifying Confidence in Density Functional Theory Predicted Magnetic Ground States
基于半导体的材料设计的成功依赖于消除不好的候选者并保留好的候选者以供进一步研究。虽然DFT对于前者已经取得了广泛的成功,但由于DFT预测的材料性质的不确定性,往往会失去好的候选者。与DFT预测相关的不确定性已经变得突出,并导致了具有内置误差估计能力的交换相关泛函的发展。在这项工作中,我们演示了使用内置的误差估计能力内的BEEF-vdW交换相关功能的量化与固体的磁性基态的不确定性。我们证明了这种方法,通过计算的不确定性估计不同的磁性状态的固体之间的能量差,并比较它们对一系列的GGA交换相关泛函,在许多第一性原理计算的材料。我们表明,这一估计合理的范围内得到的值与不同的GGA泛函。该估计被确定为后处理步骤,并且因此提供了计算上鲁棒的和系统的方法来估计与磁基态的预测相关联的不确定性。我们定义了一个置信度值(c值),它包含了所有计算的磁状态,以量化在GGA水平上的预测的并发性,并认为如果没有伴随的c值,从GGA水平DFT的磁基态的预测是不完整的。我们使用Li和Na离子阴极材料的案例研究证明了这种方法的实用性,并且c值度量正确地识别出GGA水平DFT对NaFePO $_4$ F具有低预测性。
2017-06-01 cond-mat.mtrl-sci
Agentic AI and Machine Learning for Accelerated Materials Discovery and Applications
Oak Ridge National Laboratory(橡树岭国家实验室);University of Tennessee at Knoxville(田纳西大学诺克斯维尔分校)
本文探讨了代理AI和机器学习在加速材料发现中的应用,重点介绍了高效发现方法、核心概念及大型语言模型,并展示了其在流化学、生物传感器和电池等领域的应用。
2026-01-15 cond-mat.mtrl-sci
Quantifying material properties of cell monolayers by analyzing integer topological defects
在发育中的生物体中,内部细胞过程在组织尺度上产生机械应力。由此产生的变形取决于组织的材料特性,其可以表现出长程取向有序和拓扑缺陷。它仍然是一个挑战,以确定这些属性的时间尺度相关的发展过程。在这里,我们建立在物理学的液晶,以确定材料参数的细胞单层。具体来说,我们使用流体动力学描述的特征可压缩的活性极性流体周围的缺陷的定态。我们说明我们的方法通过分析单层的C2C12细胞在小的圆形限制,在那里他们形成一个单一的拓扑缺陷与整数电荷。我们发现,这样的单层施加压应力的缺陷中心,在局部细胞分化和形成的三维形状观察。
2020-06-02 cond-mat.mtrl-sci cond-mat.soft q-bio.TO
Towards a Multi-Objective Optimization of Subgroups for the Discovery of Materials with Exceptional Performance
本文探讨了子群发现方法在材料科学中的应用,通过帕累托前沿分析异常性与普遍性的权衡,以发现具有优异性能的材料。
2023-11-17 cond-mat.mtrl-sci
Accelerated Discovery of 3D Printing Materials Using Data-Driven Multi-Objective Optimization
增材制造已成为制造业的前沿技术之一,使以前无法制造的新产品成为可能。尽管存在许多用于增材制造的材料,但它们通常遭受性能权衡,从而阻止它们取代传统制造技术。目前的材料是用低效的人类驱动的直觉方法设计的,这使得它们缺乏最佳解决方案。我们提出了一种机器学习方法来加速发现增材制造材料,并在机械性能方面进行最佳权衡。多目标优化算法通过提出如何混合主要配方以创建性能更好的材料来自动指导实验设计。该算法与半自主制造平台相结合,以显着减少执行实验的数量和解决方案的总时间。在没有任何先验知识的主要配方,所提出的方法自主发现12个最佳的复合材料配方,并扩大发现的性能空间288倍后,只有30次实验迭代。这种方法可以很容易地推广到其他材料配方的问题,并使各种各样的材料设计的完全自动化的发现。
2021-06-29 cond-mat.mtrl-sci
Incorporating quasiparticle and excitonic properties into material discovery
本研究开发Python工作流包$py$GWBSE构建材料准粒子与激子特性数据库,训练出高精度机器学习模型,可高效预测相关物性并用于发现新型光吸收材料。
2024-01-31 cond-mat.mtrl-sci
Chemical Synthesis and Materials Discovery
功能材料影响着我们生活的各个领域,从电子和计算设备到交通和健康。在这个视角中,我们研究了合成发现与它们所带来的科学突破之间的关系。通过追踪一些重要例子的发展,我们探讨了这些材料最初是如何合成的,以及为什么合成,以及它们的效用后来是如何被认识到的。确定了材料突破的三种常见途径。在少数情况下,如铝硅酸盐沸石催化剂ZSM-5,通过使用基于早期工作的设计原理取得了重要进展。也有一些罕见的突破是偶然的,如巴基球和特氟龙(R)。然而,最常见的是,这一突破重新利用了一种已知的化合物,这种化合物通常是出于好奇心或不同的应用而制造的。通常,合成的发现先于功能的发现几十年;关键的例子包括导电聚合物、拓扑绝缘体和锂离子电池的电极。
2022-07-14 cond-mat.mtrl-sci
Machine Learning for Novel Thermal-Materials Discovery: Early Successes, Opportunities, and Challenges
在机器学习的辅助下,材料的高通量计算和实验设计已经成为材料科学中越来越重要的领域。这一研究领域在热科学中出现了飞跃,部分原因是在获得材料热性能的计算和实验方法方面取得了进展。在本文中,我们提供了一个当前的一些最近的工作概述,并强调了我们在这一领域面临的挑战和机遇。特别是,我们专注于使用机器学习和高通量方法来筛选化合物,复合材料和合金的热导率以及界面热导率。这些新工具为理解新的相关性和识别新的描述符带来了反馈机制,加速了新型热功能材料的发现。
2019-01-17 cond-mat.mtrl-sci
AFLOW: An automatic framework for high-throughput materials discovery
计算材料科学的最新进展为结构发现和优化提供了新的机会,包括发现未知的化合物和亚稳结构,电子结构,表面和纳米颗粒特性。这些机会的实际实现需要通过高通量方法系统地生成和分类相关的计算数据。在本文中,我们提出了Aflow(自动流),高通量计算合金,金属间化合物和无机化合物的晶体结构性能的软件框架。科学界可在材料研究联盟的网站aflowlib.org上获得Aflow软件,其几何和电子结构分析和操作工具也可在同一网站上在线操作。自动化方法和用户在线界面的结合为高效的量子计算材料发现和表征提供了强大的工具。
2013-08-26 cond-mat.mtrl-sci
Symmetry Relation Database and Its Application to Ferroelectric Materials Discovery
本文通过自动检测晶体结构间对称性关系的算法,系统筛选Materials Project数据库并建立约4500对极性-非极性结构对数据库,从中发现了多种新型铁电材料,为材料结构预测和新材料发现提供了有力工具。
2022-08-23 cond-mat.mtrl-sci
Hierarchical Gaussian Process-Based Bayesian Optimization for Materials Discovery in High Entropy Alloy Spaces
针对传统cGP-BO无法利用多材料性能相关性、在高熵合金多目标优化中失效的问题,本研究采用MTGPs、DGPs的先进核结构建模多维性能相关性,结合差异化查询成本策略,加速高熵合金材料发现并提升成本效益。
2024-10-06 cond-mat.mtrl-sci
High-throughput discovery of novel cubic crystal materials using deep generative neural networks
高通量筛选已成为发现新型功能材料的主要策略之一。然而,由于目前存放在可持续发展国际中心和卡塔尔气象局等材料储存库中的已知材料数量和多样性不足,其有效性受到严重限制。机器学习,特别是深度学习的最新进展已经实现了一种生成策略,该策略学习隐含的化学规则,用于创建具有新组成和结构的化学有效的假设材料。然而,目前的材料生成模型难以生成结构多样、化学有效和稳定的材料。在这里,我们提出了CubicGAN,这是一种基于生成对抗网络(GAN)的深度神经网络模型,用于大规模生成新型立方晶体结构。当对来自OQMD数据库的375,749种三元晶体材料进行训练时,我们表明我们的模型不仅能够重新发现大多数目前已知的立方材料,而且还能够生成新结构原型的假设材料。总共有506种这样的新材料(它们都是三元或四元的)已经通过基于DFT的声子色散稳定性检查进行了验证,其中一些已经被发现可能具有特殊的功能特性。考虑到立方材料在太阳能电池和锂电池等广泛应用中的重要性,我们的GAN模型提供了一种有前途的方法,可以显着扩展当前的材料库,从而通过筛选发现新的功能材料。通过DFT最终验证的新晶体结构可在我们的Carolina Materials Database http://www.carolinamatdb.org上免费访问。
2021-02-05 cond-mat.mtrl-sci
Machine learning for materials discovery: two-dimensional topological insulators
材料发现的主要目标和挑战之一是为每个感兴趣的属性或应用找到最佳候选者。机器学习在这种背景下兴起,以有效地优化这种搜索,探索巨大的材料空间,同时包括原子,成分和结构空间。拓扑绝缘体是一类具有良好应用前景的金属边缘态材料。然而,此外,发展受到缺乏可行候选人的限制。在这里,我们提出并讨论了机器学习加速策略,用于搜索二维拓扑材料的材料空间。我们展示了对每个机器学习组件进行详细调查的重要性,从而得出不同的结果。使用最近创建的包含数千个二维材料从头计算的数据库,我们训练能够确定材料电子拓扑结构的机器学习模型,准确率超过90%。然后,我们可以生成和筛选数千种新材料,有效地预测它们的拓扑特征,而不需要先验结构知识。我们发现了56个非平凡的材料,其中17个新的绝缘候选人进一步调查,我们证实了他们的拓扑性质与密度泛函理论计算。该策略比试错法的效率高10 $\times$,同时快几个数量级,并且是用于指导改进的材料发现搜索策略的概念证明。
2021-07-14 cond-mat.mtrl-sci
A Chemically Grounded Evaluation Framework for Generative Models in Materials Discovery
Univ. Artois(阿图瓦大学);Centre de Recherche en Informatique de Lens (CRIL)(朗斯信息中心);Unitée de Catalyse et de Chimie du Solide (UCCS)(固体催化与化学单元)
本文提出一种结合DFT稳定性和ML指标的评估框架,用于改进材料生成模型的化学有效性评估。
2025-12-31 cond-mat.mtrl-sci
Crystallography companion agent for high-throughput materials discovery
新的结构和功能材料的发现是由相鉴定驱动的,通常使用X射线衍射(XRD)。自动化加快了XRD测量的速度,大大超过了XRD分析技术,后者仍然是手动的,耗时的,容易出错的,并且不可能扩展。随着自主机器人科学家或自动驾驶实验室的出现,现代技术禁止XRD的集成。在这里,我们描述了一个由人工智能(AI)驱动的XRD数据自主表征的计算机程序,用于发现新材料。从结构数据库开始,我们使用物理上精确的合成数据集训练集成模型,该数据集输出概率分类-而不是绝对的-以克服传统神经网络中的过度自信。这种人工智能代理可以作为研究人员的伴侣,提高准确性并节省大量时间。它在各种有机和无机材料表征挑战中得到了证明。这种创新直接适用于逆向设计方法,机器人发现系统,并可以立即考虑其他形式的表征,如光谱和对分布函数。
2021-03-17 cond-mat.mtrl-sci
Physics-Informed and Knowledge-Driven Generative AI for Autonomous Discovery of Porous Oxide Energy Materials: Opportunities and Challenges
New Jersey Institute of Technology (NJIT)(新泽理工学院)
本文针对多孔氧化物能源材料的自主发现问题,提出整合多维度物理信息的七层逆向设计框架与知识生成体系,为AI驱动的储能材料自主发现提供通用方案。
2026-11-04 cond-mat.mtrl-sci
A comment on "The Computational 2D Materials Database: high-throughput modeling and discovery of atomically thin crystals"
最近,Sten Haastrup,Mikkel Strange,Mohnish Pandey,Thorsten Deilmann,Per S Schmidt,Nicki F Hinsche,Morten N Gjerding,Daniele Torelli,Peter M Larsen,Anders C Riis-Jensen,Jakob Gath,Karsten W Jacobsen,Jens Jrgen Mortensen,Thomas Olsen和Kristian S Thygesen [2D Mater. 5(2018)042002]介绍了计算二维材料数据库(C2 DB),该数据库组织了分布在30多种不同晶体结构中的约1500种二维材料的各种结构,热力学,弹性,电子,磁性和光学性质。不幸的是,这项工作在弹性和机械稳定性测试领域存在严重和根本性的缺陷,这使得它不可靠。
2019-04-30 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
Role of Multifidelity Data in Sequential Active Learning Materials Discovery Campaigns: Case Study of Electronic Bandgap
本研究针对材料发现中多保真度数据利用方法不明确的问题,提出将预测的低保真度数据作为高保真度模型输入特征的新方法,以电子带隙为案例,发现低保真度测量成本为高保真度的5%及以下且数量比约5:1时效果最佳。
2023-10-24 cond-mat.mtrl-sci
Pore-geometry recognition: on the importance of quantifying similarity in nanoporous materials
针对纳米多孔材料孔隙结构相似性量化工具缺失的问题,提出基于拓扑数据分析的孔隙识别方法,可分类孔隙结构并筛选相似高性能材料,为大数据科学开辟新途径。
2017-01-19 cond-mat.mtrl-sci math.AT
Enhancing Magnetocaloric Material Discovery: A Machine Learning Approach Using an Autogenerated Database by Large Language Models
针对10–100 K磁制冷材料缺口,本文用大语言模型构建6000余条材料数据库,训练成分驱动的磁热性质预测模型,并经从头算自旋动力学验证,发现11种候选材料。
2024-03-05 cond-mat.mtrl-sci
Accelerating Cathode Material Discovery through Ab Initio Random Structure Searching
本文利用不依赖已有数据的从头算随机结构搜索(AIRSS)方法,仅凭化学组成高效预测含铁聚阴离子正极材料的低能量结构,成功重现已知多晶型并发现更稳定的LiFeSO4F新相,验证了该方法加速新型正极材料发现的潜力。
2021-12-01 cond-mat.mtrl-sci
The Capriccio method as a versatile tool for quantifying the fracture properties of glassy materials under complex loading conditions with chemical specificity
Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)(埃尔朗根-纽伦堡大学);Université de Rennes, CNRS(雷恩大学,法国国家科学研究中心);Institute of Applied Mechanics(应用力学研究所);Institut de Physique de Rennes (IPR) - UMR 6251(雷恩物理研究所)
本文应用Capriccio方法耦合分子动力学与有限元,模拟玻璃材料在复杂加载下的断裂,准确计算临界应力强度因子,展示了其在工程尺度断裂模拟中的潜力。
2025-10-11 cond-mat.mtrl-sci
A physics-informed neural network for quantifying the microstructure properties of polycrystalline Nickel using ultrasound data
我们采用物理信息神经网络(PINNs),通过计算材料的顺应性系数(压缩性,刚度和刚度)的空间变化来量化多晶镍的微观结构。PINN的监督与现实的超声波表面声波场数据采集的超声波频率为5 MHz的多晶材料。超声波场数据被表示为材料的顶表面上的变形,该变形使用激光测振法测量。超声波数据进一步补充了使用基于有限元的求解器生成的波场数据。神经网络的物理通知的平面内和平面外的弹性波方程和它的收敛加速使用自适应激活功能。这项工作的首要目标是使用PINN来推断材料的顺应性系数的空间变化,对于超声,PINN涉及弹性波的空间变化速度。更广泛地说,由此产生的PINN为基础的代理模型显示了一个很有前途的方法来解决不适定的反问题,经常遇到的材料的非破坏性评估。
2021-10-05 cond-mat.mtrl-sci physics.comp-ph
Data-driven active learning approaches for accelerating materials discovery
National University of Defense Technology(国防科技大学)
本文综述了数据驱动的主动学习方法在加速材料发现中的应用,探讨了其在不同数据环境下的效率提升及未来发展方向。
2026-02-01 cond-mat.mtrl-sci
S1-MatAgent: A planner driven multi-agent system for material discovery
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Science(中国科学院大学);Shanghai Institute of Ceramics, Chinese Academy of Sciences(中国科学院上海陶瓷研究所);University of Chinese Academy of Sciences(中国科学院大学);Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences(中国科学院大学杭州高等研究院)
本文提出规划器驱动的多智能体系统S1-MatAgent,采用规划器-执行器架构自动分解任务并动态配置工具,结合基于机器学习原子间势梯度的成分优化算法,实现了高性能催化剂的全周期闭环设计,显著提升了材料发现的设计效率与适应性。
2025-09-18 cond-mat.mtrl-sci
Quantifying structure-property relationships during resistance spot welding of an aluminum 6061-T6 joint
采用力学性能测试和金相显微技术研究了6061-T6铝合金电阻点焊搭接接头组织与性能的关系。准静态拉伸和新型剪切冲头测试,以测量不同的焊接区域的机械性能。准静态拉伸和剪切冲压试验表明,随着焊接中心的接近,强度和延展性不断降低。例如,熔合区的极限抗拉强度从母体材料(341 MPa至162 MPa)降低约52%,而屈服强度降低约62%(312 MPa至120 MPa)。用扫描电子显微镜和光学显微镜分析了工艺诱导的微观结构,以阐明机械性能降低的根本原因。断口分析表明,与熔合区的空隙成核相比,颗粒的空隙生长是母体材料中的主要损伤机制。总的来说,整个焊缝机械性能的显著变化是与T6条件(沉淀物粗化)损失一致的微观结构变化的结果。
2016-05-13 cond-mat.mtrl-sci
Accelerating Materials Discovery with Bayesian Optimization and Graph Deep Learning
利用基于结构的特征的机器学习(ML)模型为跨不同化学空间的准确性质预测提供了有效的手段。然而,获得平衡晶体结构通常需要昂贵的密度泛函理论(DFT)计算,这将基于ML的探索限制到已知晶体或少量假设晶体。在这里,我们证明了使用图深度学习能量模型的具有对称性约束的贝叶斯优化的应用可用于执行晶体结构的“无DFT”弛豫。使用这种方法显着提高ML预测的形成能和假设晶体的弹性模量的准确性,两种新型的超不可压缩硬质材料MoWC 2(P63/mmc)和ReWB(Pca 21)被确定,并成功地通过原位反应放电等离子体烧结从399,960过渡金属硼化物和碳化物的筛选合成。这项工作解决了一个关键的瓶颈,准确的属性预测的假设材料,铺平了道路,ML加速发现具有特殊性能的新材料。
2021-04-20 cond-mat.mtrl-sci
Voting Data-Driven Regression Learning for Discovery of Functional Materials and Applications to Two-Dimensional Ferroelectric Materials
回归机器学习被广泛应用于预测各种材料。然而,不充分的材料数据通常会导致性能不佳。在这里,我们开发了一种新的投票数据驱动方法,可以普遍提高回归学习模型的性能,以准确预测材料的性能。我们将其应用于研究一个大家族(2135)的二维六方二元化合物的铁电性质,发现该模型对电极化的强度的性能确实有很大的提高,其中38个稳定的铁电体具有面外极化,包括31个金属和7个半导体。通过无监督学习,提取了价电子的数量和轨道半径、离子极化率和组成原子的电负性如何影响极化的可操作信息。我们的投票数据驱动方法不仅可以减少材料数据的大小,以构建可靠的学习模型,还可以对目标功能材料进行精确预测。
2020-10-05 cond-mat.mtrl-sci
Quantifying Free-volume Topology in Atomistic Structures Through a Combination of Voxelization and Graph Theory
我们介绍了一种新的计算方法的识别和表征的自由体积内/周围的原子配置。该方案采用了一个三阶段的工作流程,通过该工作流程,球体在体素内部迭代生长,并最终转换为平面图,然后通过基于图的序参量对其进行表征。我们的方法是计算效率高,物理直观,并普遍转移到任何材料系统。我们的方法的验证是在几组材料问题上进行的:(1)在各种晶相中独特的自由体积的分类,(2)金属/合金中自由体积缺陷的表征,以及(3)在外延生长模拟过程中复杂表面缺陷的自主检测和分类。我们的方法准确地识别和表征独特的自由体积在众多的系统和长度尺度,表明其潜在的未来使用在理解自由体积形态和材料性能之间的关系在静态和动态条件下。
2022-06-16 cond-mat.dis-nn cond-mat.mtrl-sci
By how much can closed-loop frameworks accelerate computational materials discovery?
在闭环计算工作流程中实现自动化和机器学习替代是一种越来越受欢迎的加速材料发现的方法。然而,与这种从传统手动方法的范式转变相关的加速规模仍然是一个悬而未决的问题。在这项工作中,我们通过识别四个不同的加速来源来严格量化材料假设评估闭环框架内每个组件的加速:(1)任务自动化,(2)计算运行时改进,(3)顺序学习驱动的设计空间搜索,以及(4)用机器学习模型替代昂贵的模拟。这是使用计时分类账来记录自动化软件的运行和电催化背景下相应的手动计算实验。根据前三个加速源的组合,我们估计总体假设评估时间可以减少90%以上,即,实现了$\sim$ $10\times$的加速。此外,通过在循环中引入替代,我们估计设计时间可以减少95%以上,即,实现$\sim$ $15$ - $20\times$的加速。我们的研究结果为利用闭环方法加速材料发现提供了明确的价值主张。
2022-11-23 cond-mat.mtrl-sci
Quantifying the search for solid Li-ion electrolyte materials by anion: a data-driven perspective
我们汇编了固体锂离子电解质性能的数据和机器学习模型,以评估材料发现工作的状态,并为未来的工作建立新的见解。候选电解质材料必须满足几个要求,其中主要是快速的离子电导率和稳健的电化学稳定性。考虑到这两个要求,我们发现新的证据表明,优化硫化物的快速离子导电性和广泛的电化学稳定性可能比优化氧化物更有可能,并且经常被忽视的氯化物和溴化物可能是锂离子电解质特别有前途的家族。我们还发现,氮化物和磷化物似乎是最有前途的材料家族的电解质稳定对锂金属阳极。此外,现有数据在性能空间中的分布表明,对Li金属和>4V阴极都稳定的快速导电材料是极其罕见的,并且多电解质架构是成功实现固态Li金属电池的更可能的途径,大约一个数量级或更多。我们的模型是验证其再现众所周知的趋势,已经出现了从有限的现有数据在最近几年,即晶格阴离子的电负性与离子电导率和电化学稳定性。在这项工作中,我们利用现有的数据,使固体电解质的性能趋势首次定量,建立一个路线图,以补充材料发现工作周围所需的材料性能。
2019-04-18 cond-mat.mtrl-sci physics.data-an
Materials discovery and properties prediction in thermal transport via materials informatics: a mini-review
对具有特殊热性能的材料的需求越来越大,而实验发现成本高且耗时。新兴学科材料信息学是将材料科学与大数据技术相结合,加速材料发展的有效途径。近年来,材料信息学已被应用于新型材料的设计,如用于散热的热界面材料和用于发电的热电材料。本文综述了材料信息学在预测和发现具有特殊热性能材料(包括最佳热导率、界面热导率和热电效率)中的应用研究进展。最后对材料信息学在热输运领域的应用前景进行了展望。
2019-01-14 cond-mat.mtrl-sci physics.comp-ph
Data-Driven Materials Discovery and Synthesis using Machine Learning Methods
实验[1-38]和计算[39-50]验证的机器学习(ML)文章根据训练数据的大小进行排序:1-100,101-10000和10000+在一个全面的集合中总结了该领域的传统和最新进展。该评论强调了合成,表征和预测的相互关联的领域。大小范围1-100主要由贝叶斯优化(BO)文章组成,而101-10000主要由支持向量机(SVM)文章组成。这些文章通常使用ML,特征选择(FS),自适应设计(AD),高吞吐量(HiTp)技术和领域知识的组合来增强预测性能和/或模型可解释性。交叉验证(G-CV)技术抑制了过度乐观的外推预测性能。依赖于AD的较小数据集通常能够识别具有所需特性的新材料,但在受约束的设计空间中这样做。在较大的数据集中,材料优化的低挂果实通常已经被发现,并且模型在外推到新材料时通常不太成功,特别是当模型训练数据有利于特定类型的材料时。对预测结果进行实验或计算验证的ML材料科学文章的大量增加表明了材料信息学与材料科学学科的相互渗透以及加速材料发现的现实世界应用。
2022-02-28 cond-mat.mtrl-sci
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
Thermodynamics-Informed Machine Learning for Energy Materials Discovery
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);Institució Catalana de Recerca i Estudis Avançats (ICREA)(加泰罗尼亚研究与高级研究学院)
该研究指出当前多数机器学习模型局限于零温度材料描述的缺陷,提出需开发热力学引导的机器学习,以实现现实条件下能源材料的精准设计。
2026-07-30 cond-mat.mtrl-sci
From Photons to Electrons: Accelerated Materials Discovery via Random Libraries and Automated Scanning Transmission Electron Microscopy
University of Tennessee(田纳西大学);University of Washington(华盛顿大学);Exabyte Inc.(Exabyte公司);Johns Hopkins University(约翰斯·霍普金斯大学)
本文提出通过电子显微镜替代传统光子技术,利用随机库和自动化显微镜实现高通量材料发现,展示了基于机器学习的自动调节和控制方法,以提高材料探索效率。
2026-03-24 cond-mat.mtrl-sci
Accelerated Discovery of Crystalline Materials with Record Ultralow Lattice Thermal Conductivity via a Universal Descriptor
Northwestern Polytechnical University(西北工业大学);CRISMAT, CNRS, Normandie Univ, ENSICAEN, UNICAEN(诺曼底大学,卡昂国立高等工程学院,法国国家科学研究中心材料研究化学实验室);Thayer School of Engineering, Dartmouth College(达特茅斯学院塔克工程学院);Institute Laue Langevin(朗之万研究所);FZU - Institute of Physics of the Czech Academy of Sciences(捷克科学院物理研究所);ShanghaiTech Laboratory for Topological Physics & School of Physical Science and Technology, ShanghaiTech University(上海科技大学物理科学与技术学院拓扑物理实验室);Université de Lorraine, CNRS, IJL(洛林大学,法国国家科学研究中心,界面与层析实验室)
通过通用描述符和高通量筛选发现具有极低热导率的晶体材料,结合实验验证其极低热导率的成因
2025-11-27 cond-mat.mtrl-sci
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
Language Models for Materials Discovery and Sustainability: Progress, Challenges, and Opportunities
本文综述了自然语言处理和大语言模型在材料科学中的进展,分析了其局限性、全自动材料发现流水线的构建,以及GPT类工具在可持续材料设计中的潜力。
2025-04-21 cond-mat.mtrl-sci
MaterialsAtlas.org: A Materials Informatics Web App Platform for Materials Discovery and Survey of State-of-the-Art
University of South Carolina(南卡罗来纳大学)
大规模的实验和计算材料数据的可用性和容易获得性使得用于材料性能预测、结构预测和材料的生成设计的算法和模型的加速开发得以出现。然而,缺乏用户友好的材料信息学网络服务器,严重制约了材料科学家在材料筛选,修修补补和设计空间探索的日常实践中广泛采用这些工具。在此,我们首先调查当前的材料信息学网络应用程序,然后提出并开发www.example.com,一个基于Web的材料信息学工具箱,用于材料发现,其中包括各种常规需要的工具,用于探索性材料发现,包括材料组成和结构检查(例如中性,电负性平衡,动态稳定性,Pauling规则),材料属性预测(例如带隙,弹性模量,硬度,热导率),以及搜索假设材料。这些用户友好的工具可在\url{www.materialsatlas.org}上免费获取。我们认为,这样的材料信息学应用程序应广泛开发的社区,以加快材料发现的过程。
2021-09-09 cond-mat.mtrl-sci cs.LG
Discovery of Hidden Classes of Layered Electrides by Extensive High-throughput Materials Screening
尽管它们具有非凡的特性,但它们仍然是一种相对未开发的材料,只有少数化合物通过实验生长。特别是对于层状结构的Ca 2N,目前的研究主要集中在几种层间二维阴离子电子结构相似的Ca 2N的同构上。仍然缺少对不同层次的生物多样性的广泛筛选。在这里,通过筛选材料与负离子电子的结构在材料项目,我们发现12个现有的材料作为新的层状晶体。值得注意的是,这些层状晶体表现出与Ca 2N完全不同的性质。例如,不寻常的完全自旋极化的零维(0 D)阴离子电子显示在金属卤化物与MoS 2-like结构;独特的一维(1D)阴离子电子被限制在准一维结构的管;磁性和非磁性阴离子电子的共存被发现在ZrCl-like结构和一个新的三元Ba 2LiN与0 D和1D阴离子电子。这些材料不仅显着增加了实验合成的层状晶体的池,而且有希望被剥离成先进的2D材料。
2019-01-16 cond-mat.mtrl-sci
Learning disentangled latent representations facilitates discovery and design of functional materials
本文提出用完全无监督的DAE学习光学吸收光谱的解耦潜在表征,以识别与SLME相关的带隙特征,并提升高性能光伏材料的搜索效率。
2025-07-25 cond-mat.mtrl-sci
Data analytics accelerates the experimental discovery of new thermoelectric materials with extremely high figure of merit
热电(TE)材料是目前极少数可持续但可行的能源解决方案之一。能量收集的巨大前景取决于识别/设计具有比目前可用的材料更高效率的材料。然而,由于材料的化学空间广阔,到目前为止,只有一小部分被实验和/或计算扫描。在主动学习框架中采用基于压缩传感的符号回归,我们不仅确定了材料成分的趋势,以获得优异的TE性能,而且还预测和实验合成了几种性能极高的新型TE材料。其中,我们发现Ag $_{0.55}$ Cu $_{0.45}$ GaTe $_2$在827 K下具有高达约2.8的实验优值,这是该领域的突破。所提出的方法证明了材料科学中物理信息描述符的重要性和巨大潜力,特别是对于通常在良好控制条件下从实验中获得的相对较小的数据集。
2021-04-16 cond-mat.mtrl-sci
AI-accelerated Materials Informatics Method for the Discovery of Ductile Alloys
在计算材料科学中,预测宏观(例如,机械)特性的方法是使用依赖于某些材料特性(弹性常数、失配体积等)的描述符的组合来定义模型,代表宏观行为。材料性质通常使用特殊的准随机结构(SQS)与密度泛函理论(DFT)一起计算。然而,DFT与原子数成立方比例,因此对于许多合金组合物的筛选是不切实际的。在这里,我们提出了一种新的方法,结合建模方法和机器学习原子间的潜力。机器学习原子间势比DFT快几个数量级,同时达到类似的精度,允许在整个合金空间进行预测性和易处理的高通量筛选。通过预测中熵合金Mo-Nb-Ta的室温塑性说明了所提出的方法。
2022-10-14 cond-mat.mtrl-sci
Quantifying structural damage from self-irradiation in a plutonium superconductor
18.5 K超导体PuCoGa 5具有许多不寻常的特性,包括由于自辐照引起的损伤。超导转变温度随时间急剧下降,表明辐射诱导的弗伦克尔缺陷浓度远大于目前的辐射损伤理论预测。扩展的X射线吸收精细结构测量表明,虽然新鲜材料中的局部晶体结构是有序的,但老化材料的无序程度比简单缺陷的预期要强烈得多,与整个损伤级联区域的强烈无序一致。这些数据突出了局部晶格畸变相对于缺陷对辐照材料性能的潜在影响,并强调了辐射损伤实验和理论之间进行更多原子分辨率结构比较的必要性。
2007-07-31 cond-mat.dis-nn cond-mat.mtrl-sci cond-mat.str-el
Massive Discovery of Low-Dimensional Materials from Universal Computational Strategy
Nanoscience Center, Department of Physics, University of Jyväskylä(于韦斯屈莱大学);Department of Physics, Chalmers University of Technology(查尔姆斯理工大学);Microelectronics Research Unit, Faculty of Information Technology and Electrical Engineering, University of Oulu(奥卢大学)
本文提出一种通用计算策略,结合机器学习势和力常数分类方法,大规模发现低维材料并识别可剥离的2D材料。
2026-02-14 cond-mat.mtrl-sci physics.comp-ph
Building Trustworthy AI for Materials Discovery: From Autonomous Laboratories to Z-scores
University of Toronto(多伦多大学);University of Tennessee(田纳西大学);Vector Institute for Artificial Intelligence(人工智能矢量研究所);Schwartz Reisman Institute for Technology and Society(技术与社会斯瓦茨-雷曼研究所)
本文提出GIFTERS框架,用于评估材料发现中AI方法的信任度,强调信任原则和改进方法,以确保AI加速发现的同时符合科学规范。
2025-11-30 cond-mat.mtrl-sci cs.LG
Quantifying Doping Levels in Carbon Nanotubes by Optical Spectroscopy
控制掺杂对于将半导体材料成功集成到器件技术中至关重要。然而,碳纳米管或其他纳米级半导体材料中的掺杂水平和载流子分布的评估通常限于“高”或“低”的定性属性,或者完全不存在。在这里,我们描述了氧化还原或电化学掺杂的半导体碳纳米管(s-SWNTs)使用可见-近红外吸收光谱的掺杂的定量表征的努力。我们讨论了如何载流子密度高达约0.5 $\rm nm^{-1}$可以量化的灵敏度大致为一个电荷每$10^4$碳原子假设不均匀或均匀的载流子分布。
2019-09-11 cond-mat.mes-hall cond-mat.mtrl-sci physics.chem-ph