Predictive beam-lattice reduction for higher-order topological modes in a 2D SSH phononic crystal
Politecnico di Torino(都灵理工大学);University of Cagliari(卡利亚里大学);University of Trento(特伦托大学)
本文提出一种力学忠实的二维SSH声子晶体约化模型,通过欧拉-伯努利梁理论推导12自由度厄米动力学矩阵,利用该模型预测并验证了拓扑带隙内的边界与角模式,为设计拓扑弹性超材料提供了新途径。
2026-11-18 cond-mat.mtrl-sci physics.comp-ph
Predictive Synthesis of Quantum Materials by Probabilistic Reinforcement Learning
Argonne National Laboratory(阿贡国家实验室);University of Southern California(南加州大学)
预测材料合成是实现新型功能材料和量子材料的主要瓶颈。有前途的材料的合成策略目前是通过耗时的试错法来确定的,并且没有已知的预测方案来设计新材料的合成参数。我们使用强化学习来预测最佳合成时间表,即温度和反应物浓度等反应条件的时间序列,用于使用化学气相沉积合成原型量子材料,半导体单层MoS $_{2}$。将预测性增强贫化剂与深度生成模型耦合,以捕获CVD合成期间合成的MoS $_{2}$的结晶度和相组成作为时间依赖性合成条件的函数。该模型,训练10000计算合成模拟,成功地学习了阈值温度和化学势的化学反应的开始,并预测新的合成时间表,生产良好的硫化结晶和相位纯的二硫化钼$_{2}$,这是通过计算合成模拟验证。该模型可以扩展到预测包括多相异质结构的复杂结构的合成轮廓,并且还可以预测反应系统的长时间行为,远远超出用于训练模型的MD模拟的范围,使得这些预测与实验合成直接相关。
2020-09-14 cond-mat.mtrl-sci cs.LG physics.chem-ph
Predictive Simulations for Tuning Electronic and Optical Properties of SubPc Derivatives
氯化硼亚酞菁是一种用于小分子有机光致发光材料的电子给体材料,具有异常大的分子偶极矩。利用第一性原理计算,研究了通过用其他三价和卤素原子取代硼和氯原子来改变分子的偶极矩,从而提高硼酞菁氯化物的电子和光学性质.用杂化泛函预测了气相分子的结构和性质。使用已知化合物的位置和取向作为这些分子的起始坐标,在涉及扰动和精确的总能量最小化的程序之后导出稳定的晶体结构。电子结构和光子学性质的预测晶体分别使用GW方法和Bethe-Salpeter方程计算。最后,通过一个简单的输运模型,说明了分子偶极矩对器件性能的重要性。
2017-05-05 cond-mat.mtrl-sci
Bayesian inference and uncertainty quantification for modeling of body-centered-cubic single crystals
Korea Advanced Institute of Science and Technology(韩国科学技术院);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
本文通过贝叶斯模型校准和全局敏感性分析,研究体心立方单晶钼在静压到冲击载荷下的变形行为,识别关键物理假设和不确定性,并验证模型预测能力。
2025-12-30 cond-mat.mtrl-sci
Predicting Crystal Structures with Data Mining of Quantum Calculations
预测和表征材料的晶体结构是材料研究和开发中的关键问题。它通常通过对一小组候选结构进行高度精确的量子力学计算来解决,或者通过从大量实验信息中提取的经验规则来解决,但预测能力有限。在这封信中,我们将启发式规则提取的概念转移到一个大型的从头计算信息库中,并证明这可以发展成为晶体结构预测的工具。
2003-07-10 cond-mat.mtrl-sci
Machine-learning convex and texture-dependent macroscopic yield from crystal plasticity simulations
多晶材料的微观结构对其宏观变形响应的影响仍然是材料工程中的主要问题之一。对于以弹性-塑性形变响应为特征的材料,已经开发了表征晶体塑性(CP)的预测计算模型。然而,由于它们对计算资源的大量需求,CP模拟不能直接在诸如FE $^{2}$的分层计算模型中实现。这一瓶颈加剧了宏观模拟工具的发展,可以直接告知微观结构的数量的需要。使用三维有限元求解CP,我们生成一个宏观屈服函数数据库的基础上一般的加载条件和晶体学织构。我们进一步假设屈服函数与屈服函数的静水压力无关。利用统计建模的进步,我们描述并应用机器学习框架来预测宏观产量作为晶体学纹理的函数。通过使用部分输入凸神经网络作为预测工具,保证了数据驱动的屈服函数的凸性。此外,为了允许预测的屈服函数被直接纳入时间积分方案中,如有限元法所需,屈服面被解释为带符号距离函数水平集的边界。
2022-01-28 cond-mat.mtrl-sci
Benchmarking Materials Property Prediction Methods: The Matbench Test Set and Automatminer Reference Algorithm
我们提出了一个基准测试套件和一个自动化的机器学习程序,用于评估监督机器学习(ML)模型,用于预测无机散装材料的性能。测试套件Matbench是一组13个ML任务,大小范围从312到132 k样本,包含来自10个密度泛函理论衍生和实验来源的数据。任务包括预测给定材料成分和/或晶体结构的光学、热、电子、热力学、拉伸和弹性特性。参考算法Automatminer是一种高度可扩展的全自动ML管道,用于从材料基元(如成分和晶体结构)预测材料属性,无需用户干预或超参数调整。我们在Matbench测试套件上测试了Automatminer,并将其预测能力与最先进的晶体图神经网络和传统的基于神经网络的随机森林模型进行了比较。我们发现Automatminer在基准测试中的13个任务中的8个上实现了最佳性能。我们还展示了我们的测试套件能够揭示每种算法的预测优势-即,晶体图方法在给定~10^4或更多数据点的情况下似乎优于传统的机器学习方法。预处理、即用型Matbench任务和Automatminer源代码是开源的,可在线获取(http://hackingmaterials.lbl.gov/automatminer/)。我们鼓励在MatBench基准测试上评估新材料ML算法,并将其与最新版本的Automatminer进行比较。
2020-05-08 cond-mat.mtrl-sci physics.comp-ph
Predicting colloidal crystals from shapes via inverse design and machine learning
材料设计中的一个基本挑战是将构建块属性与晶体结构联系起来。解决这一挑战是特别困难的系统表现出紧急秩序,如熵稳定胶体晶体。我们将最近开发的逆向设计技术与机器学习相结合,构建了一个模型,该模型仅使用两个几何形状测量值就能将一万多个多面体形状的晶体正确分类为13种不同的结构,预测准确率为96%。通过三种测量方法,可以达到98%的准确率。我们测试我们的模型先前报道的胶体晶体结构的71对称多面体,并获得92%的准确度。我们的研究结果(1)表明,熵胶体晶体是由令人惊讶的几个参数控制,(2)提供了一个定量模型来预测这些晶体只从他们的建筑块的几何形状,(3)提出了一个预测范式,很容易推广到其他自组装材料。
2018-01-18 cond-mat.mtrl-sci cond-mat.soft physics.chem-ph
Self-supervised learning for crystal property prediction via denoising
Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室)
针对晶体材料性质预测中标注数据稀缺的问题,本文提出晶体去噪自监督学习方法CDSSL,通过从扰动结构中恢复有效结构的预训练任务提升图网络等模型的预测性能,并在多种材料、性质和数据集规模上验证其优于无自监督训练的模型。
2024-08-30 cond-mat.mtrl-sci cs.LG
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
Predictive power of polynomial machine learning potentials for liquid states in 22 elemental systems
Kyoto University(京都大学)
本文系统评估了多项式机器学习势在22种元素体系液态结构性质预测中的表现,发现其精度与DFT计算相当,验证了该方法对液态体系的广泛适用性。
2024-06-11 cond-mat.mtrl-sci
ReciNet: Reciprocal Space-Aware Long-Range Modeling for Crystalline Property Prediction
Department of Computer Science, Virginia Tech(维吉尼亚理工大学计算机科学系);Department of Computer Science and Engineering, University at Buffalo(布法罗大学计算机科学与工程系)
提出基于倒易空间的几何网络ReciNet,通过傅里叶级数表示和可学习滤波器结合几何GNN与倒易模块,实现晶体中短程和长程相互作用建模,在多个基准上取得优异预测精度。
2026-06-02 cond-mat.mtrl-sci cs.LG
Leveraging Transfer Learning to Overcome Data Limitations in Czochralski Crystal Growth
本研究提出迁移学习方法,将硅的机器学习模型适配到锗和砷化镓,以少量数据显著提升直拉法晶体生长参数的预测精度。
2025-06-23 cond-mat.mtrl-sci math.OC
Electron transport in amorphous materials: from localization to predictive transport modeling
Incheon National University(仁川国立大学)
该综述围绕非晶材料电子输运,先回顾相关基础概念与典型材料,再探讨多种计算方法,聚焦关键影响因素,最后概述预测性输运建模的进展与问题。
2026-08-27 cond-mat.mtrl-sci
Formation Energy Prediction of Material Crystal Structures using Deep Learning
Mindanao State University(棉兰老州立大学)
本文提出一种深度神经网络模型,通过元素分数和对称分类预测晶体形成能,提升材料稳定性预测性能。
2024-12-01 cond-mat.mtrl-sci
Incorporation of physics-based strengthening coefficients into phenomenological crystal plasticity models
KU Leuven(荷语鲁汶大学);Department of Materials Engineering, KU Leuven(荷语鲁汶大学材料工程系);Department of Computer Science, KU Leuven(荷语鲁汶大学计算机科学系)
本研究通过将基于物理的强化系数纳入现象学晶体塑性模型,提升其预测能力,为材料科学和工程提供更高效的模型参数化方法。
2025-02-08 cond-mat.mtrl-sci
An asynchronous parallel high-throughput model calibration framework for crystal plasticity finite element constitutive models
本文提出将异步并行约束贝叶斯优化算法应用于晶体塑性有限元本构模型校准,并在304L不锈钢、钽和Cantor高熵合金上实现高通量参数标定。
2023-04-14 cond-mat.mtrl-sci stat.AP
CRYSPNet: Crystal Structure Predictions via Neural Network
结构是晶体最基本、最重要的性质,它直接或间接地决定了大多数物质的性质。然而,预测固体的晶体结构仍然是一个令人生畏且尚未完全解决的问题。用于此任务的标准理论工具在计算上是昂贵的,并且有时是不准确的。在这里,我们提出了一种利用机器学习进行晶体结构预测的替代方法。我们开发了一种名为晶体结构预测网络(CRISPSPNet)的工具,可以仅根据其化学组成预测无机材料的布拉维晶格,空间群和晶格参数。CSPNet由一系列神经网络模型组成,使用聚合构成化合物的元素属性的预测器作为输入。它是在无机晶体结构数据库的10万多个条目上训练和验证的。该工具展示了强大的预测能力,并大大优于其他策略。它可供公众使用(https://github.com/AuroraLHT/cryspnet),既可用作独立的预测引擎,也可用作生成候选结构的方法,以进行进一步的计算和/或实验验证。
2020-03-31 cond-mat.mtrl-sci stat.ML
CEMP: a platform unifying high-throughput online calculation, databases and predictive models for clean energy materials
Fudan University(复旦大学)
针对现有材料平台化学空间有限、缺乏集成在线计算等问题,研究提出开放的CEMP平台,整合高通量计算、多尺度ML模型与多类材料数据库,可实现快速筛选与闭环研发,助力清洁能源材料研究。
2025-07-06 cond-mat.mtrl-sci cond-mat.soft physics.chem-ph
Crystal Systems Classification of Phosphate-Based Cathode Materials Using Machine Learning for Lithium-Ion Battery
Indian Institute of Technology Jodhpur(印度理工学院焦特布尔分校)
本研究应用Random Forest等集成机器学习算法,基于Materials Project数据,对锂离子电池Li P基Phosphate正极的晶系进行分类预测,通过序列前向选择确定关键特征,实现了最高80.69%的分类准确度,为潜在正极材料筛选提供了有效方法。
2025-09-05 cond-mat.mtrl-sci 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
Coarse-grained crystal graph neural networks for reticular materials design
针对网状材料原子级图神经网络逆向设计存在冗余特征的问题,本研究提出基于分子结构单元的粗粒度晶体图神经网络,在低计算成本下实现不错的预测精度,可集成至逆向设计流程,挑战原子中心的主流设计视角。
2023-12-20 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
Graph deep learning accelerated efficient crystal structure search and feature extraction
结构搜索和特征提取是现代材料设计中的一个中心课题,其效率目前是有限的,但可以通过机器学习(ML)来提高。在这里,我们开发了一个基于ML的预测分析框架,其中包括一个基于遗传算法的组合晶体优化程序(SCCOP)和一个功能添加剂属性模型,以显着降低计算成本,并提取属性相关的结构特征。我们的方法具有高度的准确性和预测性,并从所需的结构中提取结构特征来指导材料设计。作为一个案例研究,我们将我们的新方法应用于二维B-C-N系统,该系统从82种组合物中识别出28种以前未发现的稳定结构;我们的分析进一步确定了对能量和带隙贡献最大的结构特征。与传统方法相比,SCCOP在保持相当精度的同时,速度约为10倍。我们的新框架通常适用于所有类型的系统,用于精确和高效的结构搜索,为ML提取的结构特征和物理性质之间的关系提供了新的见解。
2023-02-07 cond-mat.mtrl-sci
Controlled nucleation in methylamine-treated perovskite films by artificial seeding and phase-field simulations
University of Konstanz(康斯坦茨大学)
通过人工成核与相场模拟方法,实现甲胺处理钙钛矿薄膜的受控成核与生长,提升光电设备性能。
2025-11-26 cond-mat.mtrl-sci
A universal model for the formation energy prediction of inorganic compounds
利用数据科学和材料科学的最新进展,今天可以建立材料性能的预测模型。在这项研究中,我们采用基于170,714种无机晶体化合物的高通量量子力学计算数据来训练用于形成能预测的机器学习模型。与以往的工作不同,本文的模型具有较好的预测能力(R2=0.982,MAE=0.07 eVatom-1,DenseNet模型),同时可以普遍应用于无机材料的大相空间。改进来自于几个有效的结构相关的描述符,提出考虑电负性和结构的信息。该模型为在广阔的相空间中快速、经济地寻找新材料提供了一个有用的工具。
2021-08-01 cond-mat.mtrl-sci physics.comp-ph
Active Learning of A Crystal Plasticity Flow Rule From Discrete Dislocation Dynamics Simulations
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);University of Miami(迈阿密大学);Clemson University(克莱姆森大学)
本研究提出了一种基于高斯过程模型的主动学习方法,通过离散位错动力学模拟自动优化晶体塑性流规则的参数空间,提升模型预测精度和效率。
2026-01-03 cond-mat.mtrl-sci
Alloy Informatics through Ab Initio Charge Density Profiles: Case Study of Hydrogen Effects in Face-Centered Cubic Crystals
提出基于第一性原理电荷密度分布的“合金信息学”机器学习框架,以面心立方晶体氢效应为例,证明电荷扰动特征能有效预测缺陷性质、原子性质与迁移能垒,可作为无偏描述符。
2023-09-24 cond-mat.mtrl-sci physics.atom-ph physics.chem-ph
A quantitative theory and atomistic simulation study on the soft-sphere crystal-melt interfacial properties: II. Interfacial free energies
本文提出基于Ginzburg-Landau模型并结合原子模拟数据预测软球体系晶体-熔体界面自由能及其各向异性的新方法,验证了其对FCC界面的定量准确性,并提出了变分程序和模型升级的改进方向。
2025-04-08 cond-mat.mtrl-sci
Enhancing composition-based materials property prediction by cross-modal knowledge transfer
Lomonosov Moscow State University(莫斯科国立罗蒙诺索夫大学)
提出跨模态知识转移的通用方法,通过隐式和显式两种方案增强基于组成的材料性能预测,在多项基准任务中达到SOTA,并利用博弈论方法提升模型可解释性。
2025-11-05 cond-mat.mtrl-sci physics.comp-ph
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
Towards a Predictive First-Principles Description of Solid Molecular Hydrogen with Density-Functional Theory
我们研究了密度泛函理论描述的固体相的分子氢近解离的主要近似的影响。我们认为核量子效应对平衡性质的重要性,并发现它们强烈影响分子内的性质,如键的波动和稳定性。我们证明了热效应和量子效应的结合对分子固体的预测光学性质产生了剧烈的变化,这表明了对动力学的有限价值,例如,有限温度,基于经典离子和静态晶体的预测。我们还考虑了所选择的交换关联密度泛函对氢的预测性质的影响,特别是带隙和零点能的压力依赖性。最后,我们使用我们的模拟,使通常采用的近似计算的吉布斯自由能的固体,即准谐波近似固体的准确性进行评估。我们发现,虽然近似是能够产生自由能的精度为~10 meV,这是不够的,使可靠的预测的相图氢的第一原理,由于小的自由能之间的差异看到几个潜在的固体结构;直接的自由能计算量子质子,以作出明确的预测。
2013-03-26 cond-mat.mtrl-sci
Perspective: Towards the predictive discovery of ambipolarly dopable ultra-wide-band-gap semiconductors: the case of rutile GeO$_2$
超宽带隙(UWBG)半导体有望用于快速、紧凑和节能的电力电子器件。它们更宽的带隙导致更高的击穿电场,从而能够以更低的能量损耗实现高功率开关。然而,领先的UWBG半导体在掺杂不对称性方面受到固有材料限制,这阻碍了它们在CMOS技术中的采用。超波带隙材料双极掺杂的改进将使其在电力电子和深紫外光电子领域的应用范围更广。这些进展可以通过对当前UWBG材料局限性的理论见解以及具有改进的掺杂和传输特性的替代UWBG半导体材料的计算预测和实验演示来实现。作为一个例子,我们讨论的情况下,金红石GeO $_2$(r-GeO $_2$),水不溶性的GeO $_2$多型体,理论上预测相结合的超宽间隙与双极掺杂,高载流子迁移率,和更高的热导率比\b{eta} -Ga $_2$ O $_3$。随后通过分子束外延实现单晶r-GeO $_2$薄膜提供了实现用于电子应用的r-GeO $_2$的机会。未来的努力对预测发现和设计新的UWBG半导体包括第一原理理论和高性能计算软件的进步,以及示范的控制掺杂在高品质的薄膜具有较低的位错密度和优化的膜性能。
2021-07-01 cond-mat.mtrl-sci
TCSP 2.0: Template Based Crystal Structure Prediction with Improved Oxidation State Prediction and Chemistry Heuristics
TCSP 2.0在TCSP 1.0基础上,通过BERTOS氧化态预测、元素嵌入距离和多数投票机制,并扩展模板库,在CSPBenchmark上实现83.89%空间群成功率,显著提升晶体结构预测性能。
2025-03-29 cond-mat.mtrl-sci
Recent progress on liquid transport growth of quantum materials
Oak Ridge National Laboratory(橡树岭国家实验室)
该文介绍量子材料液相输运生长(LTG)技术,它能空间分离电荷溶解与晶体沉淀,在特定温度梯度下连续溶质输运耦合二者,消除平衡溶解度限制,大量产出单晶。文中通过实例展示其独特能力,总结实验设计要点,探讨向更具预测性技术转变的机会。
2026-07-17 cond-mat.mtrl-sci cond-mat.str-el cond-mat.supr-con
Deep Generative Crystal Structure Prediction: A Benchmark Study and a Controlled Test of Prototype Dependence
University of South Carolina(南卡罗来纳大学);University of North Georgia(北佐治亚大学)
本研究基准测试12种深度生成晶体结构预测模型,发现其性能高度依赖模板原型,真正从头预测能力有限,扩大残余预测能力是核心挑战。
2026-10-20 cond-mat.mtrl-sci cs.LG
Multi-phonon diffuse scattering in solids from first-principles: Application to layered crystals and 2D materials
时间分辨漫散射实验因其能以全动量分辨率揭示晶格振动的非平衡动力学而受到越来越多的关注。虽然在单声子散射的基础上解释实验数据方面取得了进展,但有时会受到多声子激发的阻碍。在参考文献[{ \it arXiv:2103.10108}]中,我们介绍了一种从第一性原理计算固体全声子非弹性散射强度的严格方法。在目前的工作中,我们详细描述了我们的实现,并表明,多声子相互作用被有效地利用晶体的平移和时间反转对称性。通过计算单层二硫化钼(MoS $_2$)、块状MoS $_2$和黑磷(bP)的散射模式,我们证明了它的预测能力,并且与我们的热电子漫散射测量结果非常吻合。值得注意的是,我们的研究结果表明,多声子激发在跨多个布里渊区的bP中占主导地位,而在MoS $_2$中,它们起着不太明显的作用。我们扩大我们的分析,为每个系统,并检查单个原子和原子间的振动运动的漫散射信号的效果。我们进一步证明了我们的方法的高吞吐量的能力,通过报告全声子散射图的2D MoSe 2,WSe 2,WS 2,石墨烯和CdI 2,合理化在每种情况下的多声子过程的影响。作为一个侧面点,我们表明,特殊的位移方法再现热扭曲的配置,精确地产生的全声子扩散模式。
2021-09-22 cond-mat.mtrl-sci
Microstructure-sensitive uncertainty quantification for crystal plasticity finite element constitutive models using stochastic collocation methods
不确定性量化(UQ)在计算工程模型和仿真的验证和确认中起着重要作用,并建立了对计算模型预测能力的信任。在材料科学和工程背景下,众所周知,工艺-结构-性能-性能的联系是从制造到工程性能的唯一路线图,许多集成计算材料工程(ICME)模型已经在广泛的长度尺度和时间尺度上开发,以减轻资源密集型实验的负担。在结构-性能联系中,晶体塑性有限元法(CPFEM)模型已被广泛使用,因为它们是少数几个允许数值预测的ICME工具箱之一,提供了从微观结构到性能和性能的桥梁。已经提出了几种本构模型来捕捉材料的力学和塑性行为。虽然已经进行了一些UQ研究,但这些本构模型的鲁棒性和不确定性尚未严格建立。在这项工作中,我们应用随机配置(SC)方法来量化CPFEM中最常用的三种本构模型,即唯象模型的不确定性(有和没有孪生)和基于位错密度的本构模型,对于三种不同类型的晶体结构,即面心立方(fcc)铜(Cu),体心立方(bcc)钨(W),和六方密堆积(hcp)镁(Mg)。我们的数值结果不仅量化了这些本构模型在应力-应变曲线中的不确定性,而且还分析了潜在的本构参数相对于初始屈服行为的全局敏感性,这可能有助于在未来的鲁棒本构模型校准工作。
2022-06-13 cond-mat.mtrl-sci
Data mining and accelerated electronic structure theory as a tool in the search for new functional materials
数据挖掘是一种公认的预测工具,在各种领域,从生物信息学和药物设计到晶体结构预测。在本研究中,电子结构的实现已经与无机晶体结构数据库的结构数据相结合,以产生约22,000种无机化合物的高加速电子结构计算结果。它示出了如何在数据库上采用的数据挖掘算法可以识别新的功能材料与所需的材料特性,从而在136个新的材料与潜在的电离辐射探测器材料的预测。介绍了自动化从头算方法背后的方法,将结果制成表格,并在互联网网站http://gurka.fysik.uu.se/ESP/(参考文献1)上提供了完整数据库的版本。
2008-08-15 cond-mat.mtrl-sci
PDDFormer: Pairwise Distance Distribution Graph Transformer for Crystal Material Property Prediction
Software Engineering Institute, East China Normal University(东华大学软件工程院);School of Chemistry and Molecular Engineering, East China Normal University(东华大学化学与分子工程学院);School of Geospatial Information, Information Engineering University(信息工程大学测绘信息学院);School of Communication and Electronic Engineering, East China Normal University(东华大学通信与电子工程学院);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
PDDFormer通过引入原子加权配对距离分布和单元格配对距离分布,构建多边晶体图以提升晶体材料性质预测的准确性和效率。
2025-11-23 cond-mat.mtrl-sci cs.AI
A General-Purpose Machine Learning Framework for Predicting Properties of Inorganic Materials
材料研究的一个非常活跃的领域是设计使用机器学习从现有材料数据中自动提取预测模型的方法。虽然之前的例子已经证明了一些应用程序的成功模型,但还有更多的应用程序可以让机器学习产生强大的影响。为了更快地开发基于机器学习的模型,我们创建了一个能够应用于广泛材料数据的框架。我们的方法通过使用化学上不同的属性列表来工作,我们证明这些属性适合描述各种各样的属性,以及一种将数据集划分为类似材料组以提高预测准确性的新方法。在这篇手稿中,我们演示了如何使用这种新方法来预测晶体和非晶材料的各种性能,如带隙能量和玻璃形成能力。
2016-07-01 cond-mat.mtrl-sci
Simultaneous Learning of Several Materials Properties from Incomplete Databases with Multi-Task SISSO
材料特性和功能描述符的识别,捕捉潜在的物理机制是数据驱动的材料科学的一个关键目标。只有这样的描述符才能可靠和有效地扫描材料空间,并可能发现新材料。近年来,确定独立筛选和稀疏化算子(SISO)被引入并成功应用于许多材料科学问题。SISSO是一种基于压缩传感的方法,可以产生以分析公式形式表示的预测模型,这些模型是从简单的物理特性构建的。这些公式是从大量(数十亿或更多)候选者中系统地选择的。在这项工作中,我们描述了一个强大的扩展的方法,一个“多任务学习”的方法,它确定了一个单一的描述捕捉多个目标材料的属性在同一时间。这种方法特别适用于具有稀缺或部分数据的异质材料数据库,例如,其中,并不是针对训练集中的所有材料报告所有性质。作为展示的例子,我们解决的八位二进制化合物的相对稳定性的材料属性地图的建设,同时考虑几个晶体相,和金属/绝缘体分类的二元材料分布在许多晶体原型。
2019-01-04 cond-mat.mtrl-sci physics.comp-ph
Structure to Property: Chemical Element Embeddings and a Deep Learning Approach for Accurate Prediction of Chemical Properties
Institute of Ion Physics and Applied Physics, University of Innsbruck(因斯布鲁克大学离子物理与应用物理研究所);Tashkent Chemical Technological Institute(塔什干化工技术学院);School of Molecular Science and Engineering, Vidyasirimedhi Institute of Science and Technology(维达西梅迪科学技术学院分子科学与工程学院)
本研究提出基于多层编码器的化学元素嵌入深度学习模型elEmBERT,在多个化学基准数据集上验证其通用性,在Tox21数据集上以96%平均精度超此前最优结果10%,可精准预测化学性质。
2024-08-17 cond-mat.mtrl-sci cs.LG physics.atm-clus
Accelerated Inorganic Materials Design with Generative AI Agents
The University of Tokyo, Institute of Industrial Science(东京大学工业科学研究所);University of Montreal, Department of Computer Science and Operations Research(蒙特利尔大学计算机科学与运筹学系);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所)
MatAgent通过结合生成模型和预测模型,利用大语言模型的推理能力,实现高效、可解释的无机材料设计与发现。
2025-04-01 cond-mat.mtrl-sci
Electron-Phonon interaction and lattice thermal conductivity from metals to 2D Dirac crystals: a review
University of Western Ontario(韦仕敦大学);University of Waterloo(滑铁卢大学)
综述电子-声子相互作用在金属到二维狄拉克晶体中晶格热导率的研究,探讨其理论模型、实验方法及未来挑战。
2025-11-20 cond-mat.mtrl-sci cond-mat.other
LLM4Mat-Bench: Benchmarking Large Language Models for Materials Property Prediction
Princeton University(普林斯顿大学);Vertaix;Acceleration Consortium, University of Toronto(多伦多大学加速联盟);Vector Institute for Artificial Intelligence(向量人工智能研究所);Schwartz Reisman Institute for Technology and Society(施瓦茨·赖斯曼技术与社会研究所);University of Toronto(多伦多大学)
该研究提出了目前规模最大的晶体材料性能预测LLM基准LLM4Mat-Bench,涵盖多源数据、多输入模态与多种性能,通过微调与提示词实验验证了通用LLM在该任务的局限性,指明了专用模型与指令微调的必要性。
2024-11-30 cond-mat.mtrl-sci cs.CL
Graph Neural Networks Based Deep Learning for Predicting Structural and Electronic Properties
本研究利用Materials Project数据库的158,874个晶体结构,采用图神经网络(GNNs)同时预测材料的多种结构与电子性质,模型在密度、形成能等指标上取得高精度,为材料快速筛选与发现提供了有力工具。
2024-12-18 cond-mat.dis-nn cond-mat.mtrl-sci