Materials Project
PulseAugur coverage of Materials Project — every cluster mentioning Materials Project across labs, papers, and developer communities, ranked by signal.
-
AI模型获得材料科学的物理感知推理 · 2篇论文
arXiv上发表的两篇新研究论文介绍了改进多模态AI模型在材料科学领域推理能力的创新方法。第一篇论文QuPAINT提出了一个物理感知的框架，该框架使用合成数据和物理信息注意力来增强量子材料的表征。第二篇论文MatPCR提出了一个无标签基准，用于衡量和纠正AI模型在解释材料数据时推理链中的物理不一致性，并利用布拉格定律等物理定律进行验证。
-
新框架为张量值几何学习提供保证的SPD不确定性
研究人员开发了一个新的张量值几何学习中的不确定性量化框架，专门解决对称秩-2张量的预测问题。该方法确保了正定协方差矩阵，同时保持旋转对称性，这对于物理一致性至关重要。该方法利用了基于多元拉普拉斯分布的Log-Euclidean Equivariant Scoring Objective (LE-ESO)，提供了对重尾误差的鲁棒性以及稳定的优化。在ModelNet40和Materials Project等数据集上进行了测试，该框架提供了…
-
新的GNN模型推动晶体性质预测和分子模拟
研究人员开发了新的图神经网络（GNN）模型来预测晶体性质。其中一种方法CPGN使用多尺度GNN联合学习原子、键和配位多面体表示，在形成能和带隙预测的基准数据集上优于现有模型。另一项开发MolCryst-MLIPs提供了一个分子晶体微调MACE模型的开放数据库，该模型能够解析多晶型能量景观并在模拟过程中保持结构完整性。
-
新数据集PhononBench-MP40助力计算材料筛选
研究人员推出了PhononBench-MP40，这是一个旨在通过解决虚声子模式问题来提高计算材料筛选准确性的新数据集。该数据集源自Materials Project晶体，为近47,000个工作流任务提供了稳定性标签和谱数据。它旨在作为分类声子稳定性、分析最小频率和理解工作流定义稳定性的参考。
-
用于电池材料验证的机器学习面临重大错误
一篇新研究论文强调了使用计算参考来验证机器学习电池材料的关键问题。研究发现，当机器学习筛选堆栈在预注册以针对实验锚定的文献值进行验证时，表现出显著的 0.67 V 平均绝对误差。该误差被发现与电压有关，使得简单的加法校准无效。此外，研究表明计算参考值本身，特别是来自 Materials Project PBE+U 的值，比实验测量值低约 0.54 V，这表明错误的主要来源是参考数据，而不是模型。该论文还指出，目标钠取代空间中有很大一部分已经发表。