.png){kind=icon}
返回
Crystal Structure Prediction Meets Artificial Intelligence
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jpclett.4c03727.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
晶体结构预测（CSP）代表了计算材料科学和化学领域的一个基础研究前沿，旨在从给定的化学组成预测热力学稳定的周期性结构。传统方法通常面临计算成本高和陷入局部极小值等挑战。近年来，以生成对抗网络（GANs）、变分自编码器（VAEs）、扩散模型和大型语言模型（LLMs）为代表的人工智能方法，彻底改变了传统的预测范式。这些计算框架能够高效地从晶体数据库中提取化学规则和结构特征，在显著降低计算成本的同时保持预测精度。本文系统评估了各类生成模型的优势与局限性，探讨了它们与常规方法的协同作用，并讨论了其在加速材料发现与开发方面的未来前景，为未来的研究方向提供了新的见解。
Keyword:
DEEP GENERATIVE MODEL
INVERSE DESIGN
PARADIGM
期刊
IF:
4.6
论文数:
2.6K
被引数:
7.4W
机构
暂无机构信息
引用论文
The application of machine learning for predicting the methane uptake and working capacity of MOFs.png)
FARADAY DISCUSSIONS
OAAI
FARADAY DISCUSSIONSIF3.1
OAAI分享收藏CGWGAN: crystal generative framework based on Wyckoff generative adversarial networkCGWGAN：基于Wyckoff生成对抗网络的晶体生成框架OAAI
OAAI分享收藏Perspective: Materials informatics and big data: Realization of the fourth paradigm of science in materials science透视: 材料信息学与大数据: 第四科学范式在材料科学中的实现APL MATERIALS
OAAI
APL MATERIALSIF4.5
OAAI分享收藏MatGPT: A Vane of Materials Informatics from Past, Present, to FutureMatGPT: 材料信息学从过去、现在到未来的风向标ADVANCED MATERIALS
ADVANCED MATERIALSIF26.8
PREAI
分享收藏
查看更多内容