.png){kind=icon}
返回
Enhancing composition-based materials property prediction
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-53182-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
晶格图神经网络在建模实验合成的化合物和合成性未知的假想材料方面具有广泛应用。相比之下，结构无关的预测算法能够探索先前无法触及的化学空间领域。本文提出了一种通过跨模态知识迁移增强基于成分的材料性质预测的通用方法。提出了两种方案：隐式迁移涉及在多模态嵌入上预训练化学语言模型，而显式迁移则建议生成晶格结构并实现结构感知预测器。所提出的方法在LLM4Mat-Bench和MatBench任务上进行了基准测试，在32个案例中有25个达到了当前最佳性能。此外，我们展示了化学语言模型的另一建模方面——可解释性——如何受益于博弈论方法的应用，该方法能够纳入高阶特征交互。
Keyword:
materials property prediction
crystal graph neural networks
cross-modal knowledge transfer
chemical language models
game-theoretic interpretability
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
28.3W
被引数:
83.5W
机构
引用论文
Predicting materials properties without crystal structure: deep representation learning from stoichiometry预测没有晶体结构的材料特性: 从化学计量学中学习深度表示.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties晶体图卷积神经网络用于准确和可解释的材料特性预测OAAI
OAAI分享收藏Atomistic Line Graph Neural Network for improved materials property predictions用于改进材料性能预测的原子线图神经网络OAAI
OAAI分享收藏Quantifying the advantage of domain-specific pre-training on named entity recognition tasks in materials science量化材料科学中命名实体识别任务的特定领域预训练的优势PATTERNSOAAI
PATTERNSIF7.4
OAAI分享收藏Commentary: The Materials Project: A materials genome approach to accelerating materials innovation评论: 材料项目: 加速材料创新的材料基因组方法APL MATERIALS
OAAI
APL MATERIALSIF4.5
OAAI分享收藏
查看更多内容