原始文章

這項研究提出了雙策略材料智能設計框架(DSMID),旨在解決材料科學中小型數據集的挑戰,提升機器學習模型的準確性。框架結合了兩種方法:對抗性領域自適應嵌入生成網絡(AAEG),能在僅有90個數據點的情況下改善材料特徵化;自動化材料篩選與評估管道(AMSEP),利用大型語言模型高效篩選合金設計。實驗顯示,該框架在新型共晶高熵合金的識別和製備上表現出色,顯著提升了材料設計的效率與成本效益。 PubMed DOI


站上相關主題文章列表

Transformer神經網絡,特別是大型語言模型(LLMs),在材料分析、設計和製造上很有效。它們能處理各種數據,支持工程分析,像MechGPT在材料力學領域表現出理解能力。檢索增強的本體知識圖表等策略可提高生成性能,解決困難。這些方法在材料設計探索中有優勢,並提供見解。非線性取樣和基於代理的建模增強生成能力,改進內容生成和評估。例如,問答、代碼生成和自動生成力場開發。 PubMed DOI

這段文字探討了機器學習模型的進展,特別是在電腦視覺和自然語言處理領域,像ChatGPT和Stable Diffusion等大型模型的影響。雖然在材料科學中,機器學習已在逆向設計和材料預測上取得進展,但現有模型仍過於專門,無法完全取代傳統工業流程。為了解決這個問題,建議開發一個全面的機器學習模型,能理解人類輸入並提供精確解決方案,並透過建立集中式數據集來訓練模型,以促進創新和查詢的便利性。 PubMed DOI

最近,人工智慧和自動化的進展正在徹底改變催化劑的發現與設計,從傳統的試錯方法轉向更高效的高通量數位方法。這一變化主要受到高通量信息提取、自動化實驗、實時反饋和可解釋機器學習的驅動,促成了自駕實驗室的誕生,加速了材料研究的進程。近兩年,大型語言模型的興起也為這個領域帶來了更大的靈活性,改變了催化劑設計的方式,標誌著學科的革命性轉變。 PubMed DOI

小分子的設計對於藥物發現和能源儲存等技術應用非常重要。隨著合成化學的發展,科學界開始利用數據驅動和機器學習方法來探索設計空間。雖然生成式機器學習在分子設計上有潛力,但訓練過程複雜,且生成有效分子不易。研究顯示,預訓練的大型語言模型(LLMs)如Claude 3 Opus能根據自然語言指示創建和修改分子,達到97%的有效生成率。這些發現顯示LLMs在分子設計上具備強大潛力。 PubMed DOI

人工智慧(AI)的發展推動了應用材料的研究,但常常只聚焦於文獻中常見的材料,限制了候選材料的多樣性。為了解決這個問題,研究團隊建立了一個包含1,453,493個自然語言-材料敘述的數據集,來自多個資料庫,確保元素的均衡代表性。這些敘述經過人類專家和GPT-4模型的評估,結果顯示兩者評分相似,但人類在內容深度上有所不足。這種數據與大型語言模型的結合,為AI在固態材料的探索和發現提供了新機會。 PubMed DOI

這項研究旨在從科學文獻中有效收集金屬有機框架(MOFs)的實驗數據,以解決稀缺數據的問題,並提升材料科學中機器學習的應用質量。研究團隊利用先進的大型語言模型,系統化提取並整理MOF數據,成功從超過40,000篇文章中彙編出詳細的合成條件和性質數據。整理後的數據庫用於分析合成條件、性質和結構之間的關係,並創建合成條件推薦系統,為優化合成策略提供實用工具,顯示實驗數據集在推進MOFs研究中的重要性。 PubMed DOI

新合金設計是一個複雜的挑戰,通常需要專業知識和漫長的過程,包括數據檢索、計算方法、實驗驗證和結果分析。機器學習,特別是深度代理模型,可以加速這個過程,但傳統數據驅動模型缺乏靈活性。為了解決這些問題,我們推出了AtomAgents,一個具物理意識的生成式AI平台,透過多個AI代理協同工作,結合大型語言模型的優勢,能自主設計性能更佳的金屬合金,並在生物醫學材料、可再生能源等領域展現潛力。 PubMed DOI

這項研究提出了一種新方法來訓練大型語言模型(LLMs)進行材料建模,解決了實驗數據不足的問題。研究者利用基於物理的訓練流程生成大量合成數據,建立穩固的初始模型,然後再用有限的實驗數據進行微調。訓練分為兩個階段:先用豐富但準確性較低的合成數據進行預訓練,再用稀缺的實驗數據微調。這種方法在聚合物可燃性指標的建模中顯示出有效性,特別是在圓錐量熱計數據不足的情況下,突顯了預訓練的重要性。 PubMed DOI

大型語言模型在材料科學的應用大幅推進了新材料的開發。我們提出了一個新框架,利用這些模型來優化合成特定性質的量子點材料的實驗程序。這個方法結合了合成協議生成模型和性質預測模型,並基於開源的大型語言模型進行微調,使用我們的合成數據進行訓練。 過程中,首先生成針對特定性質的合成協議,然後用性質預測模型驗證其有效性。我們的實驗中產生了六種合成協議,其中三個成功改善了多項性質,顯示出我們框架在合成規劃中的有效性及多目標優化的潛力。 PubMed DOI

這篇論文探討了一種新方法,利用AI生成內容(AIGC)模型自動化生成和審查熱力學模擬程式碼,特別針對LAMMPS軟體。提出的分子動力學代理(MDAgent)框架,透過大型語言模型簡化模擬程式的創建、執行和優化。為了微調模型,開發了針對LAMMPS的熱力學模擬程式碼數據集,專家評估顯示MDAgent顯著提升程式碼生成和審查效率,平均減少42.22%的任務時間,顯示其在材料科學中的應用潛力。 PubMed DOI