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
-
欧几里得傅里叶神经网络算子提供独立于域的AI学习
研究人员推出了欧几里得傅里叶神经网络算子（EFNOs），作为对传统傅里叶神经网络算子（FNOs）的独立于域的改进。虽然FNOs受限于其对周期性域的依赖，但EFNOs将谱核参数化为物理波矢的连续函数。这使得EFNOs能够学习在不同形状和大小的周期性域上一致运行的算子。EFNO已在热方程和材料科学任务等问题上进行了测试，证明了其泛化到新网格大小和域的能力。
-
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。
-
新基准揭示VLM在材料科学相图理解方面的局限性
研究人员推出MatPhaseBench，这是一个旨在评估视觉语言模型（VLM）在理解复杂材料科学相图方面能力的新基准。该基准源自科学文献，包含详细的图文对，并侧重于需要深度理解和推理、超越简单视觉感知的任务。目前的VLM在该领域表现出显著的局限性，在热力学机制分析和专家级解读方面遇到困难，表明人工智能能力与科学理解之间存在巨大差距。
-
新AI模型增强科学假设生成能力，并提供可追溯的推理过程
研究人员开发了Graph-PRefLexOR，一种新颖的、基于图的原生强化学习模型，旨在增强科学假设的生成能力。该模型使用Group Relative Policy Optimization (GRPO)进行微调，将推理过程分为机制探索、图构建、模式提取和假设合成等不同阶段。Graph-PRefLexOR在生成科学上有效且可追溯的假设方面表现出显著的改进，尤其是在材料科学和力学领域，其可追溯性和语义多样性比标准大型语言模型高出40-65%。
-
材料科学里程碑为下一代技术铺平道路
材料科学和工程学领域取得了一项重大里程碑，为下一代技术铺平了道路。预计这一进展将加速对未来技术发展至关重要的材料的大规模生产。
-
扩散模型从X射线衍射数据预测晶体结构
研究人员开发了XRDiff，这是一种能够从粉末X射线衍射（PXRD）数据预测晶体结构的新型扩散模型。该模型可以根据已知的化学计量比或更具挑战性的元素组成和晶胞原子数来推断结构。XRDiff通过基于峰值的编码在区分多晶型物方面表现出强大的性能，该编码对噪声和伪影具有鲁棒性，并有望推广到实验数据。
-
AI框架改进材料科学成像中的缺陷分类
研究人员开发了一个上下文感知的深度学习框架，以改进原子分辨率STEM成像中的缺陷分类。这种新方法将图像对比度与成分和束能量等元数据相结合，解决了仅图像分析固有的歧义性。该框架在模拟数据上表现出超过98%的准确率，在实验数据上接近人类水平，为更具物理依据的缺陷分配和材料表征中的多模态AI铺平了道路。
-
AI方法预测堆叠双层材料的性质
研究人员开发了一种新的多模态学习方法来预测堆叠双层材料的性质，旨在加速材料科学的发现。该方法解决了利用AI对双层堆叠进行建模以及预测垂直集成材料层产生的涌现性质这一研究不足的领域。实验表明，与现有方法相比，该方法有效且高效，并提供了配套代码。
-
AI方法利用晶体对称性增强无机材料发现
研究人员开发了一种新颖的填充方法，以改进AI驱动的无机材料生成。该技术利用晶体对称性信息，为复杂的结构创建更鲁棒和更具信息量的表示。新方法提高了深度学习模型的准确性和效率，从而发现了新颖且稳定的无机材料。
-
新框架使AI代理能够进行原子尺度研究
研究人员开发了AtomisticSkills，这是一个开源框架，旨在使AI编码代理能够在材料科学、化学和药物发现领域执行复杂的原子尺度研究。该框架将科学工作流组织成模块化技能和工具，集成了超过100项精选功能，如数据库访问、热力学建模和模拟引擎。AtomisticSkills已通过多种科学活动得到验证，包括电解质的生成设计和催化剂筛选，使其成为开发自主AI科学家的关键基础设施。
-
Transformer 准确预测材料科学中的原子尺度转变
研究人员开发了一种新颖的 Transformer 模型应用，用于预测材料中的原子尺度转变。这一过程对于材料科学至关重要，但传统方法计算量巨大。这种机器学习方法有望显著降低寻找这些转变的计算成本。该研究展示了 Transformer 在预测纳米团簇中这些转变方面的有效性，并探索了验证预测的物理准确性以及生成多样化微态的方法。