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，点击下方论文题目或中文解读，即可跳转论文解读页面，希望对您有所帮助。
1. 北京科技大学：机器学习合成耐火高熵合金
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. Meta：开源OMat24数据集
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. 日本东北大学联合MIT：GNNOpt模型识别太阳能电池材料
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. 上海交大：半监督学习提升锂电池寿命预测精度
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. 上海AI Lab：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. 上海交大：AutoML进行催化剂设计
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. 复旦大学：DNN与纳米薄膜技术结合
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. 清华大学：神经网络密度泛函框架
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. 山东大学：可解释深度学习算法RetroExplainer
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. 河北大学：创新X射线闪烁体开发新材料
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. 清华大学：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. 清华大学：DeepH通用材料模型
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. 美国阿贡国家实验室：生成式AI框架GHP-MOFsassemble
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. 广州大学：P-SOC材料预测机器学习算法
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. 中山大学：SEN机器学习模型
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. 华中科技大学：机器学习预测水吸附等温线
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. Meta FAIR：材料生成模型FlowLLM
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. DeepMind：GNoME预测新晶体
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. 复旦大学：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. 清华大学：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. 英国和日本：机器学习设计最强铁基超导磁体
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. 武汉理工大学：集成学习简化电化学模型
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. MIT：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. 德国马普所：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. 清华大学：可解释机器学习优化光阳极催化剂
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. 中科大：FIREANN分析原子对外界场响应
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。