AI颠覆材料化学，汇总2024年最值得关注的科研成果
AI颠覆材料化学，汇总2024年最值得关注的科研成果
AI for Science作为科学发现的「第五范式」，正在开创一场全新的科研革命，在材料化学领域，这场变革尤为显著。告别传统的「凭经验+反复试错」模式，在智能驱动的材料研发中，AI在科学仿真、模型预测、高通量实验、自动化表征等方面提供重要手段，可有效降低新材料研发成本，提高研发效率。
回望即将谢幕的2024年，材料化学领域在AI的加持下捷报频传，也涌现出越来越多的高价值研究成果。作为最早一批关注AI for Science的社区，HyperAI超神经通过解读前沿论文、不定期组织线上/线下学术分享等多元方式，致力于推动AI for Science的普适化。
在这辞旧迎新的节点，我们为大家精选并分类汇总了2023-2024年期间解读的前沿论文，本期文章聚焦AI在材料化学领域的研究。
1. Machine-Learning-Assisted Compositional Design of Refractory High-Entropy Alloys with Optimal Strength and Ductility
中文解读：突破1200°C高温性能极限！北京科技大学用机器学习合成24种耐火高熵合金，室温延展性极佳
研究内容：北京科技大学团队整合机器学习、遗传搜索、聚类分析和实验反馈的多目标优化框架，寻找具备最佳高温强度和室温延展性的耐火高熵合金。
发布期刊：Engineering, 2024.09
2. Open Materials 2024 (0Mat24) Inorganic Materials Dataset and Models
中文解读：几乎覆盖元素周期表！Meta发布开源OMat24数据集，含1.1亿DFT计算结果
研究内容：Meta发布开源数据集OMat24以及预训练模型EquiformerV2，OMat24数据集包含超过1.1亿以结构和成分多样性为重点的DFT计算结果。
发布期刊：arXiv, 2024.10
3. Universal Ensemble-Embedding Graph Neural Network for Direct Prediction of Optical Spectra from Crystal Structures
中文解读：基于944种材料数据，日本东北大学联合MIT发布GNNOpt模型，成功识别数百种太阳能电池和量子候选材料
研究内容：日本东北大学和MIT研究人员推出了一种基于图神经网络的GNNOpt模型，成功识别出246种超过32%太阳能转换效率的材料，以及296种具有高量子权重的量子材料。
发布期刊：Advanced Materials, 2024.06
4. Semi-supervised learning for explainable few-shot battery lifetime prediction
中文解读：锂电池寿命预测精度提升20%！上海交大团队发布半监督学习方法PBCT，提取无标签数据中的隐藏信息
研究内容：上海交通大学团队用半监督学习技术预测电池寿命，预测精度提升20%。
发布期刊：Joule, 2024.03
5. ChemLLM: A Chemical Large Language Model
中文解读：覆盖7百万问答数据，上海AI Lab发布ChemLLM，专业能力比肩GPT-4
研究内容：上海人工智能实验室发布了化学大语言模型ChemLLM，该模型可通过对话交互执行化学学科的各种任务，在核心任务上的性能与GPT-4相当，研究人员将结构化化学知识融入对话系统，为开发各科学领域的LLM树立了新标准。
发布期刊：arXiv, 2024.02
6. Interpreting Chemisorption Strength with AutoML-based Feature Deletion Experiments
中文解读：加速催化剂设计，上海交大贺玉莲课题组基于AutoML进行知识自动提取
研究内容：上海交通大学密西根学院团队基于自动机器学习(AutoML)，探索了哪个因素主导催化剂表面反应物的化学吸附能，对催化剂设计优化具有重要意义。
发布期刊：Proceedings of the National Academy of Sciences, 2024.03
7. Multilevel design and construction in nanomembrane rolling for three-dimensional angle-sensitive photodetection
中文解读：微电子加速迈向后摩尔时代！复旦大学梅永丰课题组集成DNN与纳米薄膜技术，精准分析入射光角度
研究内容：复旦大学团队结合深度神经网络及纳米薄膜组装，开发了系列三维结构光电探测器，可以实现对入射光角度的高精度预测，在可穿戴设备、智能家具和智能驾驶系统等领域极具潜力。
发布期刊：Nature Communications, 2024.04
8. Neural-network density functional theory based on variational energy minimization
中文解读：材料探索新纪元！清华大学徐勇、段文晖团队发布神经网络密度泛函框架，打开物质电子结构预测的黑箱！
研究内容：清华大学团队提出神经网络密度泛函理论框架，克服传统DFT计算材料结构耗时且复杂的缺点。
发布期刊：Physical Review Letters, 2024.08
9. Retrosynthesis prediction with an interpretable deep learning framework based on molecular assembly tasks
中文解读：山东大学开发可解释深度学习算法RetroExplainer，4步识别有机物的逆合成路线
研究内容：山东大学联合电子科技大学团队共同开发了可解释的深度学习算法RetroExplainer，可以4步识别有机物的逆合成路线，给出易得的反应物，为有机化学逆合成研究提供强力工具。
发布期刊：Nature Communications, 2023.10
10. Water-dispersible X-ray scintillators enabling coating and blending with polymer materials for multiple applications
中文解读：柔性复合材料新突破！河北大学研究团队利用创新X射线闪烁体开发3种新材料
研究内容：河北大学联合根特大学团队，开发了具有良好水分散性、对X射线高度敏感的闪烁体，并利用水分散性闪烁体开发了3种材料。
发布期刊：Nature Communications, 2024.03
11. A comprehensive transformer-based approach for high-accuracy gas adsorption predictions in metal-organic frameworks
中文解读：有效识别63万个三维空间构型，清华大学牵头发布Uni-MOF模型，预测MOF吸附能力
研究内容：清华大学、美国加州大学河滨分校、北京科学智能研究院等团队，提出了一种三维金属有机框架材料吸附行为预测的机器学习模型Uni-MOF，用于预测各类工况下纳米多孔材料对各类气体的吸附性能。
发布期刊：Nature Communications, 2024.03
12. Universal materials model of deep-learning density functional theory Hamiltonian
中文解读：神经网络替代密度泛函理论！清华研究组发布通用材料模型DeepH，实现超精准预测
研究内容：清华大学团队提出DeepH通用材料模型，可用于预测材料结构和性质，展示了构建「材料大模型」的可行性。
发布期刊：Science Bulletin, 2024.06
13. A generative artificial intelligence framework based on amolecular diffusion model for the design of metal-organic frameworks for carbon capture
中文解读：33分钟生成12万种碳捕捉候选材料，美国阿贡国家实验室发布生成式AI框架，加速MOFs创新
研究内容：美国阿贡国家实验室发布生成式AI框架GHP-MOFsassemble，能够随机生成并组装新的MOFs结构，筛选出高稳定性的MOFs结构，并测试其对二氧化碳的吸附能力。
发布期刊：Communications Chemistry, 2024.02
14. Machine-Learning Assisted Screening Proton Conducting Co/Febased Oxide for the Air Electrode of Protonic Solid Oxide Cell
中文解读：AI筛选电池材料，广州大学叶思宇院士开发可用于P-SOC材料预测的机器学习算法模型
研究内容：广州大学的研究人员建立了一种基于极限梯度增强算法的机器学习模型，可用于P-SOC空气电极的筛选。
发布期刊：Advanced Functional Materials, 2023.12
15. Material symmetry recognition and property prediction accomplished by crystal capsule representation
中文解读：中山大学李华山、王彪课题组开发SEN机器学习模型，高精度预测材料性能
研究内容：中山大学团队开发了一款名为SEN的机器学习模型，可准确感知固有晶体对称性和材料结构团簇之间的相互作用。
发布期刊：Nature Communications, 2023.08
16. Machine learning-assisted prediction of water adsorption isotherms and cooling performance
中文解读：华中科技大学李松课题组，利用机器学习预测多孔材料水吸附等温线
研究内容：华中科技大学团队建立了一个两步机器学习模型，训练AI通过材料的结构参数预测水吸附等温线参数和后续应用性能。
发布期刊：Journal of Materials Chemistry A, 2023.09
17. FlowLLM: Flow Matching for Material Generation with Large Language Models as Base Distributions
中文解读：稳定性材料生成效率提升300%！Meta FAIR发布材料生成模型FlowLLM，数据集覆盖超4.5w种材料
研究内容：Meta FAIR实验室联合阿姆斯特丹大学发布材料生成模型FlowLLM，该模型生成稳定材料的效率提升300%以上，生成S.U.N.材料的效率提高约50%。
发布期刊：NeurIPS 2024, 2024.10
18. Scaling deep learning for materials discovery
中文解读：领先人类800年？DeepMind发布GNoME，利用深度学习预测220万种新晶体
研究内容：Google DeepMind发布深度学习工具GNoME，短时间内就发现了220万种新晶体，其中38万种新晶体具备稳定的结构，可以成为研发的潜在材料。
发布期刊：Nature, 2023.11
19. CMOS-Compatible Reconstructive Spectrometers with Self-Referencing Integrated Fabry-Perot Resonators
中文解读：美国科学院院刊封面文章！中国团队发布可晶圆级生产的人工智能自适应微型光谱仪
研究内容：复旦大学团队提出了一种新的微型化重构光谱仪设计，该光谱仪可以通过成熟的集成电路工艺进行晶圆级制造，并具有毫米级尺寸，足以胜任大部分微型化光谱测试需求。
发布期刊：Proceedings of the National Academy of Sciences, 2024.08
20. Fully forward mode training for optical neural networks
中文解读：国产光芯片重大突破！清华团队利用神经网络，首创全前向智能光计算训练架构
研究内容：清华大学团队开发了一种全前向模式FFM学习方法，有望推动深度学习神经网络、超灵敏感知和拓扑光子学等领域的发展。
发布期刊：Nature, 2024.08
21. Superstrength permanent magnets with iron-based superconductors by data- and researcher-driven process design
中文解读：最强铁基超导磁体诞生！科学家基于机器学习设计新研究体系，磁场强度超过先前记录2.7倍
研究内容：英国和日本科学家利用AI技术，成功制造出世界上已知最强的铁基超导磁体。
发布期刊：NPG Asia Materials, 2024.06
22. A simplified electrochemical model forlithium-ion batteries based on ensemblelearning
中文解读：重塑锂电池性能边界，武汉理工大学康健强团队，基于集成学习提出简化电化学模型
研究内容：武汉理工大学团队提出了一种简化电化学模型，可以对电极颗粒表面锂离子浓度变化进行精确预测，进而预测电池电压。
发布期刊：iScience, 2024.05
23. Fill in the Blank: Transferrable Deep Learning Approaches to Recover Missing Physical Field Information
中文解读：材料空间「填空解谜」：MIT利用深度学习解决无损检测难题
研究内容：MIT科学家用深度学习开发了一种技术，能够通过有限的信息恢复材料中的缺失部分，并进一步观察表面确定材料的内部结构。
发布期刊：Advanced Materials, 2023.03
24. Enhancing corrosion-resistant alloy design through natural language processing and deep learning
中文解读：AI「反腐」，德国马普所结合NLP和DNN开发抗蚀合金
研究内容：德国马克思普朗克铁研究所将深度神经网络(DNN)和自然语言处理(NLP)结合开发了进程感知DNN，用于探索不同元素对合金抗蚀性能的影响。
发布期刊：Science Advances, 2023.08
25. A comprehensive machine learning strategy fordesigning high-performance photoanode catalysts
中文解读：清华大学利用可解释机器学习，优化光阳极催化剂，助力光解水制氢
研究内容：清华大学团队用机器学习优化了BiVO(4)光阳极的助催化剂。
发布期刊：Journal of Materials Chemistry A, 2023.10
26. Universal machine learning for the response of atomistic systems to external fields
中文解读：中科大蒋彬课题组开发FIREANN，分析原子对外界场的响应
研究内容：化学系统与外场的相互作用至关重要，中国科学技术大学团队开发了场诱导递归嵌入原子神经网络(FIREANN)，可以准确描述外场强度和方向的变化时、系统能量的变化趋势，还能预测任意阶数的系统响应。
发布期刊：Nature Communication, 2023.10
以上就是本期汇总的AI+材料化学前沿论文，更多AI+生物医药、医疗健康、气象海洋等论文汇总，我们下期再见。
内容中包含的图片若涉及版权问题，请及时与我们联系删除