Materials Discovery
PulseAugur coverage of Materials Discovery — every cluster mentioning Materials Discovery across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
主动学习优化贝叶斯优化，加速材料发现
研究人员开发了一个新框架，将主动学习与多目标贝叶斯优化相结合，以提高材料发现的效率。该方法通过自适应地关注有希望的区域来细化设计空间，显著缩小搜索范围，同时保留关键结果。该方法在用于气体分离的共价有机框架和压力容器设计方面进行了测试，证明候选空间减少了约一半，从而提高了早期收敛速度并加速了最佳材料配置的发现。
-
人工智能革新纳米颗粒电子显微镜的科学推理
一篇新的综述文章详细介绍了人工智能（AI）在纳米颗粒电子显微镜领域的重大进展。文章强调，人工智能，特别是机器学习和深度学习技术，正在推动该领域从基本的图像解释发展到复杂的科学推理。文章涵盖了各种人工智能方法，包括Transformer架构和基础模型，以及它们在分析大型数据集以进行纳米颗粒表征、结构推理和动态分析中的应用。综述还讨论了显微镜数据与模拟和自主实验的整合，以加速材料发现。
-
Google DeepMind 文章将人工智能定位为新的科学仪器
Google DeepMind 的一篇最新文章提出，人工智能正在演变成一种新的科学仪器，类似于望远镜或显微镜。这一观点得到了人工智能近期在蛋白质折叠、材料发现和高等数学等复杂领域取得成功的支持，在这些领域，人工智能解决了专家们认为需要更长时间才能解决的问题。文章承认，目前人工智能在奥林匹克数学题等领域的成就与真正的研究尚有差距，但展望了未来能够生成自身科学假设的人工智能代理。
-
人工智能方法弥合化学无序材料发现的差距
一篇新的综述文章解决了在人工智能驱动的材料发现中表示化学无序的挑战。它强调了实验观察到的无序与模拟和人工智能模型通常需要的完全指定的配置之间的差距。该论文提出了一个整合经典方法和人工智能方法的框架来弥合这一差距，使人工智能能够更好地处理无序，从而实现更准确的材料发现。
-
AI框架学习晶体概念以发现新型材料
研究人员开发了一个新的框架，通过学习和重组可重用概念来生成新型晶体结构。该方法使用向量量化变分自编码器，基于原子环境和对称模式发现可解释的晶体概念。通过组合这些概念，该框架可以对新晶体进行受控探索，与传统的随机采样方法相比，显著提高了新颖性和有效性。实验表明，在生成具有理想特性的晶体方面取得了实质性进展。