.png){kind=icon}
返回
Machine learning and data-driven methods in computational surface and interface science
.png){kind=icon}
OA
AI
DOI：10.1038/s41524-025-01691-6.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习与数据驱动方法已经开始改变对表面与界面研究的方式。在此，我们综述了数据驱动方法和机器学习途径如何补充模拟工作流程，并有助于应对从二维材料到界面工程及电催化计算表面科学中的重大挑战。挑战依然存在，包括大型数据集的匮乏以及界面需要更多电子结构方法。
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:
11.9
论文数:
2.4K
被引数:
1.7W
机构
引用论文
Machine learning the metastable phase diagram of covalently bonded carbon机器学习共价键合碳的亚稳态相图.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏SpookyNet: Learning force fields with electronic degrees of freedom and nonlocal effectsSpookyNet: 学习具有电子自由度和非局部效应的力场NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Hot-electron effects during reactive scattering of H2 from Ag(111): the interplay between mode-specific electronic friction and the potential energy landscapeCHEMICAL SCIENCEOAAI
CHEMICAL SCIENCEIF7.4
OAAI分享收藏分享收藏分享收藏
查看更多内容