.png){kind=icon}
返回
Machine Learning Toolkits and Frameworks for Materials Design
.png){kind=icon}
PRE
AI
DOI：10.1002/wcms.70067.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）的快速发展推动了材料发现，提供了探索、预测和设计具有定制性能材料的工具。本文概述了用于数据驱动材料创新的机器学习新兴工具，包括数据整理、特征工程、模型开发、可解释性和逆向设计。我们强调了高通量材料数据库在提供大规模、基于DFT计算的数据库方面的作用，并讨论了描述符库将组成和结构信息编码为机器可读输入以支持模型开发的重要性。从经典算法到图神经网络，机器学习架构的进展被讨论，以说明其捕捉复杂结构-性能关系的能力。特别强调使用生成模型和优化策略的逆向设计框架，以实现性能导向的材料生成。我们还探讨了可解释性和不确定性量化技术，这对于连接机器学习预测与实验验证至关重要。自动化平台被描述为闭环、高通量发现流程的工具。我们概述了重大挑战，包括数据稀疏性、模型泛化能力和实验集成。最后，我们总结了未来方向，包括在广泛、多模态材料数据上预训练的基础模型；减少对标记数据集依赖的自监督学习策略；嵌入热力学和对称性约束以增强可解释性的机器学习工作流；以及将机器学习指导与机器人合成和实时反馈相结合的全自主实验室。
Keyword:
automation frameworks
descriptor generation
machine learning toolkits
materials design
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
W
IF:
0
论文数:
42
被引数:
1
机构
引用论文
The Materials Commons: A Collaboration Platform and Information Repository for the Global Materials Community材料共享: 全球材料社区的协作平台和信息库.png)
JOM
JOMIF0
PREAI
分享收藏"Why Should I Trust You?"“我为什么要相信你？”Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Electronic structure calculations with GPAW: a real-space implementation of the projector augmented-wave method使用GPAW进行电子结构计算: 投影仪增强波方法的实空间实现
PREAI
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 COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏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NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Machine-Learning-Driven High-Throughput Screening of Transition-Metal Atom Intercalated g-C3N4/MX2 (M = Mo, W; X = S, Se, Te) Heterostructures for the Hydrogen Evolution Reaction用于析氢反应的过渡金属原子插层g-C3N4/MX2 (M = Mo，W; X = S，Se，Te) 异质结构的机器学习驱动的高通量筛选
PREAI
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
查看更多内容