機器學習
-
Nature子刊:可解釋機器學習方法用于快速搜索光催化劑
機器學習(ML)與高通量(HT)計算耦合的方法不僅可以加速尋找期望的材料,而且還能揭開底層過程的物理原理。然而,此類研究通常無法確定所發(fā)現(xiàn)的關鍵設計原則的來源,即除了發(fā)現(xiàn)有前途的材…
-
劍橋大學Nature: 預測乳腺癌治療反應的多組學機器學習預測器
乳腺癌是惡性細胞和腫瘤微環(huán)境的復雜生態(tài)系統(tǒng),這些腫瘤生態(tài)系統(tǒng)的組成及其內(nèi)部的相互作用會促進腫瘤治療時的細胞毒性反應。然而,值得注意的是,在未治療的腫瘤中識別預測治療反應特征的研究大…
-
橡樹嶺實驗室Nature子刊: 基于可逆神經(jīng)網(wǎng)絡的二維材料逆設計
根據(jù)需要輕松設計具有所選功能特性的新型材料的能力代表了材料發(fā)現(xiàn)的下一個前沿。然而,以計算上易于處理的方式徹底有效地采樣整個設計空間仍然是一項極具挑戰(zhàn)性的任務。 在此,美國橡樹嶺國家…
-
利物浦大學Angew: 機器學習用于預測MOF中客體的可及性
金屬和連接體的選擇共同決定了金屬-有機骨架(MOF)的結構和客體可及性,但大量可能的金屬-連接體組合使得合成組分的選擇具有挑戰(zhàn)性。 在此,利物浦大學Matthew J. Rosse…
-
ACS AMI: 機器學習+DFT指導設計高效的雙功能OER/ORR電催化劑
尋找用于可持續(xù)和可再生清潔能源的高效雙功能析氧/還原反應 (OER/ORR) 電催化劑至關重要。機器學習(ML)已被用于幫助研究高效雙功能催化劑候選者的催化活性來源,其在催化劑研究…
-
Science子刊:機器學習實現(xiàn)多元素異質(zhì)結構的加速設計和合成
在材料發(fā)現(xiàn)工作中,合成能力遠遠超過從中提取有意義數(shù)據(jù)的能力。為了彌補這一差距,需要機器學習方法來減少識別所需材料的搜索空間。 在此,美國西北大學Chad A. Mirkin等人提出…
-
紐約州立大學ACS AMI: 機器學習預測甲基銨錫基鈣鈦礦中的最佳Br摻雜
作為鹵化鉛鈣鈦礦潛在替代者的有機-無機鹵化錫鈣鈦礦家族(MASnX3,其中X = Cl、Br、I)由于其帶隙可調(diào)性,可通過用溴化學取代碘來覆蓋廣泛的可見太陽光譜。盡管這些鈣鈦礦太陽…
-
重大胡曉松/謝翌EnSM: 敏感性分析+深度學習實現(xiàn)電池模型的無損參數(shù)識別
基于物理的電化學模型可以深入了解電池內(nèi)部狀態(tài),并在電池設計優(yōu)化及汽車和航空航天應用中顯示出巨大潛力。然而,電化學模型的復雜性使其難以準確獲得參數(shù)值,此外,電化學參數(shù)的識別通常通過耗…
-
哈佛大學AFM: 機器學習指導逆向設計充氣軟膜
第一作者:Antonio Elia Forte 通訊作者:Antonio Elia Forte, Katia Bertoldi 第一通訊單位:哈佛大學 研究背景 可從平面變形為3D…
-
上交李金金ACS AMI: 僅需0.005秒,集成學習用于探索新型雙鈣鈦礦!
無鉛雙鈣鈦礦(A2BB′X6)被認為是單鈣鈦礦的穩(wěn)定和綠色光電替代品,但可能表現(xiàn)出間接帶隙和高有效質(zhì)量,從而限制了它們的最大光伏效率。此外,常規(guī)的實驗試錯法和高通量計算無法快速識別…