.png){kind=icon}
返回
Materials Expert-Artificial Intelligence for materials discovery
.png){kind=icon}
OA
AI
DOI：10.1038/s43246-025-00928-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
材料数据库的进展为揭示预测新兴属性的描述符创造了机会，但大多数研究依赖高通量第一性原理计算，而这些计算可能与实验结果产生偏差。实验人员则依赖通过实践经验培养的直觉。我们提出了“材料专家-人工智能”（ME-AI）机器学习框架，该框架将这种直觉转化为从经过整理、基于测量的数据中提取的定量描述符。我们使用一组由12个实验特征描述的879种方网化合物，训练了一个具有化学感知核的Dirichlet基高斯过程模型。ME-AI再现了识别拓扑半金属（TSM）的专家规则，并揭示超价性是这些系统中的关键化学杠杆。值得注意的是，仅使用方网TSM数据训练的模型能够正确分类岩盐结构的拓扑绝缘体，展示了其可迁移性。补充电子结构理论，我们的框架可随数据库增长而扩展，嵌入专家知识，提供可解释的标准，并指导目标合成，加速材料发现和跨不同化学家族的快速实验验证。材料数据库为识别预测性描述符提供了途径，但通常依赖与实验结果存在偏差的数据。在此，机器学习被用于将专家直觉转化为可量化的描述符，揭示超价性是拓扑半金属的关键预测因子。
期刊
C
IF:
9.6
论文数:
1.4K
被引数:
4.3K
机构
引用论文
Topology-Scaling Identification of Layered Solids and Stable Exfoliated 2D Materials分层固体和稳定剥离2D材料的拓扑缩放识别
OAAI
OAAI分享收藏The Computational 2D Materials Database: high-throughput modeling and discovery of atomically thin crystals.png)
2D MaterialsOAAI
2D MaterialsIF0
OAAI分享收藏Materials Design and Discovery with High-Throughput Density Functional Theory: The Open Quantum Materials Database (OQMD)高通量密度泛函理论的材料设计和发现: 开放量子材料数据库 (OQMD)JOM
JOMIF2.3
PREAI
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 MATERIALSOAAI
APL MATERIALSIF4.5
OAAI分享收藏
查看更多内容