WIRES: 适用于机器学习的材料结构编码方法

代表性的晶体结构编码方法,比较了它们在机器学习模型中的优缺点

Advanced Functional Materials:可拉伸传感技术与机器学习的融合在人机交互中的应用

传感器和算法是构建智能体系最基本的两个元素。最近,由于机器学习技术的迅速发展,智能系统内数据的处理能力得到了极 […]

Advanced Energy Materials:基于作者消歧的材料知识图谱的构建以及在磷酸铁锂发展历程中的应用

北京大学深圳研究生院新材料学院潘锋教授课题组结合机器学习和依赖匹配算法在材料科学领域中建立了基于作者消歧的材料知识图谱框架,实现了高精度且高效的同名消歧及信息检索。通过构建锂电池材料的知识图谱探索磷酸铁锂的发现和发展历程。

Nano Select:机器学习与高通量筛选助力有机太阳能电池的分子设计与性能提升

苏州大学功能纳米与软物质研究院李有勇课题组最近在Nano Select上发表了题为“Molecular Design and Performance Improvement in Organic Solar Cells Guided by High-Throughput Screening and Machine Learning”(DOI: 10.1002/nano.202100006)的综述文章。

Advanced Materials:人工智能助力新型二维铁磁功能材料快速筛选

东南大学物理学院王金兰教授课题组借助机器学习技术,通过多层图结构描述符,成功地对不同结构二维材料的磁性、稳定性、电子性质进行了准确的预测,高效筛选出了近百种二维铁磁材料。

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。