.png){kind=icon}
返回
Structural Feature Extraction via Topological Data Analysis
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jpclett.5c01831.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着人工智能模型的进步，科学依据充分且结构合理的特征提取方法的发展对于基于机器学习的结构预测和材料设计变得至关重要。近年来，人们对低效的经验描述符以及需要大量训练的黑箱特征提取过程的不满日益增长。本文介绍了一种基于拓扑数据分析的材料结构特征提取框架，为结构与性能关系及预测策略提供了信息丰富的视角。重点突出了拓扑特征在预测能力和可解释性方面的优势，强调了它们在揭示结构—性能关联以及为材料行为提供物理洞察方面的优势。该方法为先进材料的发现和设计建立了一个数学严谨且计算高效的范式，实现了对缺陷敏感性能预测误差最高达55%的降低，并显著提高了MOF气体吸附预测的准确性（例如，R2值从0.74提升至0.85），从而在理论上清晰且在实践上表现出色。
Keyword:
topological data analysis
feature extraction
structure–property relationships
materials design
machine learning
期刊
IF:
4.6
论文数:
2.6K
被引数:
7.4W
机构
引用论文
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分享收藏分享收藏Active phase discovery in heterogeneous catalysis via topology-guided sampling and machine learning拓扑引导采样与机器学习在异质催化中的活性相发现.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏DeePMD-kit: A deep learning package for many-body potential energy representation and molecular dynamicsDeepmd-kit: 用于多体势能表示和分子动力学的深度学习软件包OAAI
OAAI分享收藏A complete representation of structure-property relationships in crystalsNATURE MATERIALS
NATURE MATERIALSIF38.5
PREAI
分享收藏Persistent-homology-based machine learning: a survey and a comparative study基于持久性同源性的机器学习: 调查和比较研究
PREAI
分享收藏
查看更多内容