Advanced Energy Materials:石墨炔原子催化剂: 理论计算与机器学习双管齐下的筛选策略

香港理工大学黄勃龙教授团队利用理论计算与机器学习相结合的途径,对于石墨炔基HER原子催化剂进行了全过渡、稀土金属的有效筛选。该工作对于如何应用理论方法快速有效地筛选催化剂提出了独特的思路,并为原子催化剂的设计提供了有效参考。

Advanced Energy Materials:机器学习加速新能源材料开发的综述

加州大学圣地亚哥分校 Shyue Ping Ong 课题组总结了机器学习在新能源材料开发中的应用及其在锂电池,太阳能,能源转换催化,热电材料,压电材料以及超导材料中取得的成果。该文也提出了领域内的问题以及避免误区的方法。

WIREs Computational Molecular Science:机器学习加速能源材料的模拟和设计

来自苏州大学的李有勇教授课题组总结了机器学习催化,光电,锂电池以及MOF等能源材料中的应用,并介绍了一种通用的机器学习在能源材料模拟和设计中的研究范式。

InfoMat:机器学习在材料领域的应用

来自中国科学院半导体研究所的魏钟鸣团队和北京邮电大学雷鸣团队合作,围绕目前机器学习在材料学方向的应用发表题为《Machine learning in materials science》的综述论文。

InfoMat: 学不可以已——机器学习视角下的原子缺陷研究

新加坡国立大学赵晓续博士和Stephen J. Pennycook 教授在InfoMat (DOI: 10.1002/inf2.12026)上发表了题为“A machine perspective of atomic defects in scanning transmission electron microscopy”的专刊文章,全面总结了机器学习在高通量和高准确度扫描透射电镜数据分析、原子结构缺陷识别方面的应用。

Small Methods: 机器学习加速发现新型铁电光伏钙钛矿和材料描述符

近期,东南大学物理学院王金兰教授课题组针对寻找铁电光伏材料这一现实问题,结合机器学习算法和DFT高通量计算,提出了一种多目标、多步骤的材料筛选策略。

InfoMat: 通过分子表面工程与机器学习优化得到基于壳聚糖的柔性自供电摩擦纳米发电机传感器

近日,美国普渡大学的武文倬教授课题组在InfoMat上在线发表了通讯文章“Chitosan biopolymer derived self-powered triboelectric sensor with optimized performance through molecular surface engineering and data-driven learning”。

Small Methods: 机器学习加速纳米材料的发现和设计

新加坡南洋理工大学材料科学与工程学院陈晓东教授课题组在Small Methods上发表了题为“Nanomaterials Discovery and Design through Machine Learning”的随笔文章,总结并展望了机器学习算法,特别是深度学习算法在纳米材料领域中的应用及方法。

Solar RRL: 机器学习指导Mn在Cu2ZnSn(S,Se)4掺杂量的快速确定及太阳电池

南开大学张毅教授指导硕士生李秀玲和日本国家材料研究所的达博博士、侯柱锋博士合作,采用机器学习指导实验过程。通过有效的合作,仅通过三次机器学习计算,他们就确定了Mn在CZTSSe中的最佳掺杂量,极大的缩减了实验周期,同时也非常有力的保证了实验掺杂量的可靠性。