materials science
PulseAugur coverage of materials science — every cluster mentioning materials science across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
面向超导体研究的AI数据集在SAVRN平台获得关注
由FINAL_Bench开发的OSC-Superconductor数据集现已在SAVRN平台上线，该平台索引AI训练资源。这个专注于超导体科学的开放数据集正获得显著关注，每月约有5,100次下载。SAVRN提供了一个用于发现和比较AI基础设施的目录，包括数据集、模型和GPU定价，以帮助研究人员和工程师的机器学习工作流程。
-
人工智能有望彻底改变材料科学发现
人工智能有望通过加速新材料的发现和设计来彻底改变材料科学。AI算法可以分析海量数据集，预测材料特性，识别新型化合物，并优化合成工艺。这一进步有望加速从医药到能源等各个行业的创新。
-
新的CISE方法通过可靠的奖励间隔提高了LLM驱动的科学发现能力
研究人员推出了一种名为“Conformal Interval-Driven Self-Evolution”（CISE）的新型方法，用于基于大型语言模型（LLM）的科学发现。CISE通过使用可能导致假阳性的不完美代理奖励，解决了昂贵的高保真评估的挑战。该系统通过条件共形推断和在线密度比估计来构建候选特定的奖励间隔。通过采用保守的基于间隔的奖励，CISE确保所有返回的候选都是真阳性，而基线方法在下游验证预算有限时可能包含假阳性。
-
新的ANCHOR方法增强了晶体结构发现
研究人员开发了一种名为ANCHOR的新方法，用于从头晶体生成，将成分搜索与结构预测分开。ANCHOR利用一个GRPO成分策略，该策略使用多目标奖励和冻结的晶体结构预测（CSP）模型进行训练。与现有的从头生成模型相比，该方法显著提高了新颖且稳定的晶体结构的发现率，这通过MSUN和SUN指标的增加以及在MatterGen评估管道下的性能提升得到证明。
-
AI Theorist 自主发现量子材料中的物理模型
一个名为 AI Theorist 的新人工智能系统已被开发出来，通过从实验数据中自主生成物理模型来加速科学发现。当应用于被研究作为 Kitaev 量子自旋液体潜力的材料 $\alpha$-RuCl$_3$ 时，AI Theorist 通过分析光学光谱识别出不同的激子态。这标志着材料科学的重大进展，展示了人工智能利用第一性原理计算解释实验观测并构建物理模型的能力。
-
新AI模型AIDEN加速材料科学计算
研究人员开发了AIDEN（原子相互作用密度等变网络），一个旨在解决实空间电荷密度问题的深度学习模型。该模型将依赖于元素的密度与环境影响分离开来，并使用连续高斯解码器进行重构。AIDEN在晶体基准测试中展现了最先进的准确性，并对分布外系统表现出零样本迁移能力，其推理速度比传统的自洽场计算更快。
-
AI制造生物武器的潜力需要密切关注其科学能力
AI工程化危险病毒的潜力是一个重大的短期风险，值得密切关注。虽然高度先进的AI可能策划此类攻击，但眼前的担忧在于更中等智能的LLM。AI在材料和生物科学方面的能力证据，例如发现室温超导体或治愈疾病，将作为其开发复杂生物武器潜力的早期指标。如果AI在这些领域表现出熟练程度，将增加解决AI设计的超级病毒威胁和实施安全措施以防止AI接触生物研究设施的紧迫性。
-
AI模型从X射线衍射数据中推断材料微观结构
研究人员开发了一种新颖的跨模态学习框架，可以直接从X射线衍射数据中推断3D位错微观结构。该方法使用对比学习将位错密度场及其对应的虚拟X射线衍射图样的表示嵌入到共享的潜在空间中。研究发现，随着数据集大小的增加，模型性能显著提高，在大约500个代表性观测值时接近饱和。该方法为学习结构-衍射关系以及从未知衍射数据中准确预测位错密度场提供了一种有效途径。
-
AI、量子计算和自主实验室融合，重塑化学领域
一篇题为“融合实验室”的新评论文章探讨了AI、自主代理、高性能计算和量子计算对化学和材料科学的变革性影响。作者们借鉴了一次顶尖研究人员会议的成果，认为这些技术正处于一个关键节点汇聚，有望加速发现并颠覆传统的科学方法。这种融合预计将极大地推动化学科学的发展。
-
新的COGTRL框架通过认知轨迹训练大型语言模型以辅助科学发现
研究人员开发了COGTRL，这是一个新颖的强化学习框架，旨在增强大型语言模型（LLMs）作为科学发现助手的能力。通过训练大型语言模型生成模仿人类科学家迭代决策过程的“认知轨迹”，COGTRL提高了生成科学方法的质量。在人工智能和材料科学领域的实验表明，即使参数更少，经过COGTRL训练的模型也优于基线模型，并受到领域专家的青睐。
-
新研究探索自适应且独立于域的神经算子 · 跟踪4个来源
研究人员正在探索神经算子（用于近似物理模拟）的新方法。一种方法LatentDDM，侧重于在较小的子域上预训练算子，然后使用轻量级模块来适应新环境，在Darcy流和不可压缩流模拟中显示出误差降低。另一篇论文介绍了欧几里得傅里叶神经算子（EFNOs）作为标准傅里叶神经算子（FNOs）的独立于域的替代品，通过将谱核参数化为物理波矢的连续函数，从而实现跨不同周期域的泛化。此外，一项研究调查了傅里叶神经算子中的稀疏性，区分了表示、参数、理论运算…
-
材料科学本体论文达到100次引用
一篇题为“PMD核心本体：在材料科学中实现语义互操作性”的论文已获得超过100次引用。这个中层本体旨在增强材料科学工程中的语义互操作性。论文作者对这一里程碑表示高兴，并提供了出版物、本体本身及其GitHub存储库的链接。
-
材料发现的机器学习模型面临关键设计缺陷
一篇新发表在arXiv上的研究论文强调了用于材料发现的机器学习模型中的一个关键设计选择。研究表明，模型是否预测物理上不可能的性质（例如，中心对称晶体的非零压电张量）取决于一个与奇偶性标签相关的设计位。带有奇偶性标签的模型通过预测禁止性质为零而实现了近乎完美的准确性，而没有此标签的模型对超过90%的测试晶体做出了物理上不可能的预测。
-
大型语言模型有望彻底改变纳米光子学的设计和发现
一篇新的综述文章探讨了大型语言模型（LLMs）在纳米光子学领域的融合。文章详细介绍了LLMs如何通过提供语义接口、生成代码和协调仿真工具，超越传统的神经网络。这些模型主要有两种应用方式：作为结构-光谱映射的代理模型，以及作为能够自主优化的代理系统。该综述还触及了在材料科学和无线通信等相关领域的潜在应用，并设想了未来能够作为科学发现的积极协作者的多模态基础模型。
-
基础模型和LLM推动纳米光子学设计和发现
研究人员开发了MOCLIP，一个用于纳米光子学逆向设计的基礎模型，利用对比学习整合了几何和光谱表示。该模型实现了高通量零样本预测，能够快速设计超表面，并展示了在光学信息存储方面的潜力。一篇相关的评述探讨了大语言模型（LLMs）在纳米光子学中的应用，超越了传统神经网络，转向基于LLM的方法，这些方法能够生成代码并协调模拟工作流程以实现自主科学发现。
-
新基准揭示多模态大语言模型在科学发现方面存在困难
一项名为 Science Edge Evaluation (SEE) 的新基准已被开发出来，用于评估多模态大语言模型 (MLLMs) 在复杂科学发现任务中的能力。在 19 个 MLLMs 中，达到的最高准确率为 48.7%，通用模型表现优于科学专业模型。即使使用工具，准确率也仅达到 52.7%，这表明当前的 MLLMs 难以在实验证据的界限内管理工具派生信息，并且无法可靠地进行基于证据的推理，而这是真正科学发现的关键步骤。
-
Meta AI 模型助力劳伦斯伯克利实验室的 Genesis Mission 项目
Meta 的 AI 模型，包括 Segment Anything Model 和基于 PyTorch 构建的模型，正在劳伦斯伯克利国家实验室的 Genesis Mission 的初始项目中得到利用。这些项目专注于计算生物学、药物发现和材料科学等领域，利用 Meta 的 AI 能力来推进科学研究。该计划突显了先进 AI 工具在复杂科学事业中的应用。
-
材料科学创新对下一代人工智能基础设施至关重要
随着当前人工智能技术不断突破半导体和数据中心的极限，先进材料正变得对人工智能的持续创新至关重要。聚合物、特种流体和其他材料的创新对于改进芯片设计、系统架构、热管理和能源效率至关重要。Syensqo等公司正利用其专业知识开发这些材料，并借鉴电动汽车等领域的解决方案以满足人工智能基础设施日益增长的需求。
-
Lila Sciences 构建人工智能驱动的自动化实验室以进行科学发现
Lila Sciences 正在构建一个自动化实验室，旨在作为人工智能数据中心运行，生成大量经过实验验证的科学数据。他们的愿景是通过将实验室视为无限的 token 生成器来创造科学超级智能，同时解决生物学、化学、药物发现和材料科学领域的问题。该公司强调其自动化的灵活性和通用性，目标是优化快速迭代和广泛的科学探索，而不仅仅是原始吞吐量。
-
新的混合方法增强了用于复杂多尺度问题的神经算子
研究人员开发了LOD-MSNO，一种将LOD方法与神经算子相结合以应对解决多尺度问题挑战的新型混合方法。该方法旨在通过将LOD方法将解表示为基函数线性组合来提高神经算子的准确性，而神经算子通常在处理异质或振荡系数时遇到困难。这种混合方法旨在保持神经算子的计算效率，同时提高它们在复杂多尺度输入上的性能，这已通过理论误差估计和与现有神经算子基线的比较得到证明。