KI Untergräbt Die Materialchemie Und Fasst Die Bemerkenswertesten Wissenschaftlichen Forschungsergebnisse Im Jahr 2024 Zusammen

KI für die Wissenschaft ist das „fünfte Paradigma“ wissenschaftlicher Entdeckungen.Eine neue Revolution in der wissenschaftlichen Forschung ist im Gange und dieser Wandel ist auf dem Gebiet der Materialchemie besonders deutlich zu erkennen.

Verabschieden Sie sich vom traditionellen Modell „Verlassen auf Erfahrung + Versuch und Irrtum“. In der intelligenten Materialforschung und -entwicklung bietet KI wichtige Möglichkeiten für wissenschaftliche Simulationen, Modellvorhersagen, Hochdurchsatzexperimente, automatisierte Charakterisierung usw., wodurch die Kosten für die Forschung und Entwicklung neuer Materialien effektiv gesenkt und die Forschungs- und Entwicklungseffizienz verbessert werden können.

Rückblickend auf das zu Ende gehende Jahr 2024 konnte die Materialchemie mit Unterstützung der KI immer wieder für positive Schlagzeilen sorgen und es sind immer mehr hochwertige Forschungsergebnisse entstanden. Als eine der ersten Communities mit Schwerpunkt auf KI für die Wissenschaft engagiert sich HyperAI dafür, die Popularisierung von KI für die Wissenschaft auf verschiedene Weise zu fördern, beispielsweise durch die Interpretation hochmoderner Artikel und die regelmäßige Organisation von Online-/Offline-Sitzungen zum wissenschaftlichen Austausch.

In dieser Zeit, in der wir uns vom Alten verabschieden und das Neue willkommen heißen, haben wir die aktuellsten, in den Jahren 2023–2024 interpretierten Papiere ausgewählt und klassifiziert. Dieser Artikel konzentriert sich auf die KI-Forschung im Bereich der Materialchemie. Klicken Sie unten auf den Titel des Dokuments oder die chinesische Interpretation, um zur Seite mit der Interpretation des Dokuments zu gelangen. Ich hoffe, es wird Ihnen hilfreich sein.

01.Titel des Artikels:Maschinell-lerngestütztes Kompositionsdesign von feuerfesten Hochentropielegierungen mit optimaler Festigkeit und Duktilität

Chinesische Interpretation:Durchbrechen der Hochtemperatur-Leistungsgrenze von 1200 °C! Die Universität für Wissenschaft und Technologie Peking nutzte maschinelles Lernen, um 24 Arten feuerfester Hochentropielegierungen mit ausgezeichneter Duktilität bei Raumtemperatur zu synthetisieren.
Forschungsinhalte:Das Team der University of Science and Technology Beijing integrierte ein mehrzieliges Optimierungsframework aus maschinellem Lernen, genetischer Suche, Clusteranalyse und experimentellem Feedback, um feuerfeste Hochentropielegierungen mit optimaler Hochtemperaturfestigkeit und Duktilität bei Raumtemperatur zu finden.
Veröffentlichte Zeitschrift:Ingenieurwissenschaften, 2024.09

02.Titel des Artikels:Open Materials 2024 (0Mat24) Anorganische Materialien – Datensatz und Modelle

Chinesische Interpretation:Deckt fast das Periodensystem der Elemente ab! Meta veröffentlicht Open-Source-OMat24-Datensatz mit 110 Millionen DFT-Berechnungsergebnissen
Forschungsinhalte:Meta hat den Open-Source-Datensatz OMat24 und das vortrainierte Modell EquiformerV2 veröffentlicht. Der OMat24-Datensatz enthält mehr als 110 Millionen DFT-Berechnungsergebnisse mit Schwerpunkt auf struktureller und kompositorischer Vielfalt.

Veröffentlichte Zeitschrift:arXiv, 2024.10

03.Titel des Artikels:Universelles Ensemble-Embedding Graph Neural Network zur direkten Vorhersage optischer Spektren aus Kristallstrukturen

Chinesische Interpretation:Basierend auf 944 Materialdaten veröffentlichten die Universität Tohoku und das MIT das GNNOpt-Modell und identifizierten erfolgreich Hunderte von Solarzellen- und Quantenkandidatenmaterialien
Forschungsinhalte:Forscher der Tohoku-Universität und des MIT in Japan haben ein auf Graph-Neural-Networks basierendes GNNOpt-Modell eingeführt, das erfolgreich 246 Materialien mit einer Solarenergieumwandlungseffizienz von über 32% und 296 Quantenmaterialien mit hohen Quantengewichten identifiziert hat.
Veröffentlichte Zeitschrift:Fortgeschrittene Materialien, 2024.06

04.Titel des Artikels:Halbüberwachtes Lernen für eine erklärbare Vorhersage der Batterielebensdauer mit wenigen Tests

Chinesische Interpretation:Genauigkeit der Vorhersage der Lebensdauer von Lithiumbatterien um 20% verbessert! Das Team der Shanghai Jiao Tong University veröffentlichte eine halbüberwachte Lernmethode PBCT, um versteckte Informationen aus unbeschrifteten Daten zu extrahieren
Forschungsinhalte:Das Team der Shanghai Jiao Tong University nutzte eine halbüberwachte Lerntechnologie, um die Batterielebensdauer vorherzusagen, und die Vorhersagegenauigkeit wurde um 20% verbessert.
Veröffentlichte Zeitschrift:Joule, 2024,03

05.Titel des Artikels:ChemLLM: Ein großes chemisches Sprachmodell

Chinesische Interpretation:Das Shanghai AI Lab hat ChemLLM veröffentlicht, das 7 Millionen Frage-und-Antwort-Daten umfasst und über professionelle Funktionen verfügt, die mit denen von GPT-4 vergleichbar sind.
Forschungsinhalte:Das Shanghai Artificial Intelligence Laboratory hat ChemLLM veröffentlicht, ein großes chemisches Sprachmodell, das durch Dialoginteraktionen verschiedene Aufgaben in der chemischen Disziplin ausführen kann. Seine Leistung bei Kernaufgaben ist mit der von GPT-4 vergleichbar. Forscher haben strukturiertes chemisches Wissen in das Dialogsystem integriert und damit einen neuen Standard für die Entwicklung von LLMs in verschiedenen wissenschaftlichen Bereichen gesetzt.
Veröffentlichte Zeitschrift:arXiv, 2024.02

06.Titel des Artikels:Interpretation der Chemisorptionsstärke mit AutoML-basierten Feature-Deletion-Experimenten

Chinesische Interpretation:Die Forschungsgruppe von He Yulian an der Shanghai Jiaotong University beschleunigt das Katalysatordesign und extrahiert automatisch Wissen basierend auf AutoML
Forschungsinhalte:Auf der Grundlage des automatischen maschinellen Lernens (AutoML) untersuchte ein Team des Joint Institute der Shanghai Jiao Tong University, welcher Faktor die chemische Adsorptionsenergie von Reaktanten auf der Katalysatoroberfläche dominiert, was für die Optimierung des Katalysatordesigns von großer Bedeutung ist.
Veröffentlichte Zeitschrift:Verfahren der Nationalen Akademie der Wissenschaften, 2024.03

07.Titel des Artikels:Mehrstufiges Design und Konstruktion beim Rollen von Nanomembranen für die dreidimensionale winkelempfindliche Fotodetektion

Chinesische Interpretation:Die Mikroelektronik beschleunigt ihren Weg in die Post-Moore-Ära! Die Forschungsgruppe von Mei Yongfeng an der Universität Fudan integriert DNN- und Nanofilm-Technologie, um den Winkel des einfallenden Lichts genau zu analysieren
Forschungsinhalte:Das Team der Fudan-Universität kombinierte tiefe neuronale Netzwerke und Nano-Dünnschichtanordnungen, um eine Reihe dreidimensional strukturierter Fotodetektoren zu entwickeln, die eine hochpräzise Vorhersage des Einfallswinkels des Lichts ermöglichen und großes Potenzial in Bereichen wie tragbaren Geräten, intelligenten Möbeln und intelligenten Fahrsystemen haben.
Veröffentlichte Zeitschrift:Nature Communications, 2024.04

08.Titel des Artikels:Dichtefunktionaltheorie neuronaler Netze basierend auf der Minimierung der Variationsenergie

Chinesische Interpretation:Eine neue Ära der Materialforschung! Das Team von Xu Yong und Duan Wenhui von der Tsinghua-Universität hat ein funktionales Framework für die Dichte neuronaler Netzwerke veröffentlicht, um die Blackbox der Vorhersage elektronischer Strukturen zu öffnen!
Forschungsinhalte:Das Team der Tsinghua-Universität schlug ein Rahmenwerk für die Dichtefunktionaltheorie neuronaler Netzwerke vor, um die Mängel herkömmlicher DFT-Berechnungen von Materialstrukturen zu überwinden, die zeitaufwändig und komplex sind.
Veröffentlichte Zeitschrift:Physical Review Letters, 2024.08

09.Titel des Artikels:Retrosynthesevorhersage mit einem interpretierbaren Deep-Learning-Framework basierend auf molekularen Assemblierungsaufgaben

Chinesische Interpretation:Die Shandong University entwickelt einen interpretierbaren Deep-Learning-Algorithmus namens RetroExplainer, um den Retrosyntheseweg organischer Verbindungen in 4 Schritten zu identifizieren
Forschungsinhalte:Die Shandong University und die University of Electronic Science and Technology of China haben gemeinsam einen erklärbaren Deep-Learning-Algorithmus namens RetroExplainer entwickelt, der den Retrosyntheseweg organischer Verbindungen in vier Schritten identifizieren und sofort verfügbare Reaktanten liefern kann und somit ein leistungsstarkes Werkzeug für die Retrosyntheseforschung in der organischen Chemie darstellt.
Veröffentlichte Zeitschrift:Nature Communications, 2023.10

10.Titel des Artikels:Wasserdispergierbare Röntgenszintillatoren ermöglichen die Beschichtung und Mischung mit Polymermaterialien für vielfältige Anwendungen

Chinesische Interpretation:Neuer Durchbruch bei flexiblen Verbundwerkstoffen! Forschungsteam der Universität Hebei entwickelt drei neue Materialien mithilfe innovativer Röntgenszintillatoren
Forschungsinhalte:Das Team der Universitäten Hebei und Gent hat einen Szintillator mit guter Wasserdispergibilität und hoher Empfindlichkeit gegenüber Röntgenstrahlen entwickelt und drei Materialien mit wasserdispergierbaren Szintillatoren entwickelt.
Veröffentlichte Zeitschrift:Nature Communications, 2024.03

11.Titel des Artikels:Ein umfassender transformatorbasierter Ansatz für hochpräzise Gasadsorptionsvorhersagen in metallorganischen Gerüsten

Chinesische Interpretation:Die Tsinghua-Universität ist federführend bei der Veröffentlichung des Uni-MOF-Modells, das 630.000 dreidimensionale räumliche Konfigurationen effektiv identifiziert und die Adsorptionskapazität von MOFs vorhersagt.
Forschungsinhalte:Teams der Tsinghua-Universität, der University of California, Riverside, des Beijing Institute of Scientific Intelligence und anderer schlugen ein maschinelles Lernmodell namens Uni-MOF zur Vorhersage des Adsorptionsverhaltens dreidimensionaler metallorganischer Gerüstmaterialien vor. Das Modell wird verwendet, um die Adsorptionsleistung nanoporöser Materialien für verschiedene Gase unter verschiedenen Arbeitsbedingungen vorherzusagen.
Veröffentlichte Zeitschrift:Nature Communications, 2024.03

12.Titel des Artikels:Universelles Materialmodell der Deep-Learning-Dichtefunktionaltheorie Hamiltonoperator

Chinesische Interpretation:Neuronale Netze ersetzen die Dichtefunktionaltheorie! Tsinghua-Forschungsgruppe veröffentlicht universelles Materialmodell DeepH und erreicht damit ultragenaue Vorhersage
Forschungsinhalte:Das Team der Tsinghua-Universität schlug das universelle Materialmodell DeepH vor, mit dem sich Materialstrukturen und -eigenschaften vorhersagen lassen, und demonstrierte damit die Machbarkeit der Erstellung eines „großen Materialmodells“.
Veröffentlichte Zeitschrift:Wissenschaftsbulletin, 2024.06

13.Titel des Artikels:Ein generatives Framework für künstliche Intelligenz basierend auf einem molekularen Diffusionsmodell für die Entwicklung metallorganischer Frameworks zur Kohlenstoffabscheidung

Chinesische Interpretation:Argonne National Laboratory veröffentlicht generatives KI-Framework zur Beschleunigung der MOF-Innovation
Forschungsinhalte:Das Argonne National Laboratory in den USA hat ein generatives KI-Framework namens GHP-MOFsassemble veröffentlicht, das neue MOF-Strukturen zufällig generieren und zusammensetzen, hochstabile MOF-Strukturen herausfiltern und ihre Fähigkeit zur Adsorption von Kohlendioxid testen kann.
Veröffentlichte Zeitschrift:Kommunikationschemie, 2024.02

14.Titel des Artikels:Maschinell-lerngestütztes Screening protonenleitender Co/Fe-basierter Oxide für die Luftelektrode einer protonischen Festoxidzelle

Chinesische Interpretation:KI-Screening von Batteriematerialien: Akademiker Ye Siyu von der Universität Guangzhou entwickelte ein Modell eines maschinellen Lernalgorithmus, der zur Vorhersage von P-SOC-Materialien verwendet werden kann
Forschungsinhalte:Forscher der Universität Guangzhou haben ein maschinelles Lernmodell auf Basis des Extreme Gradient Boosting-Algorithmus entwickelt, das für das Screening von P-SOC-Luftelektroden verwendet werden kann.
Veröffentlichte Zeitschrift:Fortschrittliche Funktionsmaterialien, 2023.12

15.Titel des Artikels:Erkennung der Materialsymmetrie und Vorhersage von Eigenschaften durch Kristallkapseldarstellung

Chinesische Interpretation:Die Forschungsgruppe von Li Huashan und Wang Biao an der Sun Yat-sen-Universität entwickelte das SEN-Maschinenlernmodell, um Materialeigenschaften mit hoher Genauigkeit vorherzusagen
Forschungsinhalte:Das Team der Sun Yat-sen-Universität entwickelte ein maschinelles Lernmodell namens SEN, das die Wechselwirkungen zwischen inhärenten Kristallsymmetrien und Materialstrukturclustern genau wahrnehmen kann.
Veröffentlichte Zeitschrift:Nature Communications, 2023.08

16.Titel des Artikels:Maschinelles Lernen unterstützte Vorhersage von Wasseradsorptionsisothermen und Kühlleistung

Chinesische Interpretation:Die Forschungsgruppe von Li Song an der Huazhong University of Science and Technology nutzte maschinelles Lernen, um Wasseradsorptionsisothermen poröser Materialien vorherzusagen
Forschungsinhalte:Das Team der Huazhong University of Science and Technology hat ein zweistufiges maschinelles Lernmodell entwickelt, um KI zu trainieren, die Parameter der Wasseradsorptionsisotherme und die anschließende Anwendungsleistung basierend auf den Strukturparametern des Materials vorherzusagen.
Veröffentlichte Zeitschrift:Zeitschrift für Materialchemie A, 2023.09

17.Titel des Artikels:FlowLLM: Flow Matching für die Materialgenerierung mit großen Sprachmodellen als Basisverteilungen

Chinesische Interpretation:Die Effizienz der Stabilitätsmaterialerzeugung wird um 300% erhöht! Meta FAIR veröffentlicht Materialgenerierungsmodell FlowLLM mit einem Datensatz, der mehr als 45.000 Materialien umfasst
Forschungsinhalte:Meta FAIR Laboratory und die Universität Amsterdam haben gemeinsam das Materialerzeugungsmodell FlowLLM veröffentlicht, das die Effizienz der Erzeugung stabiler Materialien um mehr als 300% und die Effizienz der Erzeugung von SUN-Materialien um etwa 50% steigerte.
Veröffentlichte Zeitschrift:NeurIPS 2024, 2024.10

18.Titel des Artikels:Skalierung von Deep Learning für die Materialforschung

Chinesische Interpretation:Der Menschheit 800 Jahre voraus? DeepMind veröffentlicht GNoME und nutzt Deep Learning, um 2,2 Millionen neue Kristalle vorherzusagen
Forschungsinhalte:Google DeepMind hat das Deep-Learning-Tool GNoME veröffentlicht, das in kurzer Zeit 2,2 Millionen neue Kristalle entdeckt hat, von denen 380.000 neue Kristalle stabile Strukturen aufweisen und potenzielle Materialien für Forschung und Entwicklung werden können.
Veröffentlichte Zeitschrift:Natur, 2023.11

19.Titel des Artikels:CMOS-kompatible rekonstruktive Spektrometer mit selbstreferenzierenden integrierten Fabry-Perot-Resonatoren

Chinesische Interpretation:Titelartikel der Proceedings of the National Academy of Sciences! Chinesisches Team veröffentlicht KI-adaptives Mikrospektrometer, das auf Waferebene produziert werden kann
Forschungsinhalte:Das Team der Fudan-Universität hat einen neuen Entwurf eines miniaturisierten Rekonstruktionsspektrometers vorgeschlagen, das auf Waferebene unter Verwendung ausgereifter integrierter Schaltkreisprozesse hergestellt werden kann und eine Größe im Millimeterbereich aufweist, die ausreicht, um die meisten Anforderungen an miniaturisierte Spektraltests zu erfüllen.
Veröffentlichte Zeitschrift:Verfahren der Nationalen Akademie der Wissenschaften, 2024.08

20.Titel des Artikels:Vollständiges Vorwärtsmodus-Training für optische neuronale Netzwerke

Chinesische Interpretation:Großer Durchbruch bei optischen Chips für den Heimgebrauch! Das Tsinghua-Team nutzt ein neuronales Netzwerk, um die erste vollständig intelligente optische Computer-Trainingsarchitektur zu erstellen
Forschungsinhalte:Ein Team der Tsinghua-Universität hat eine vollständig vorwärtsgerichtete Lernmethode (FFM) entwickelt, die die Entwicklung von Bereichen wie neuronalen Netzwerken für tiefes Lernen, ultrasensitiver Wahrnehmung und topologischer Photonik vorantreiben soll.
Veröffentlichte Zeitschrift:Natur, 2024.08

einundzwanzig,Titel des Artikels:Superstarke Permanentmagnete mit eisenbasierten Supraleitern durch daten- und forscherbasiertes Prozessdesign

Chinesische Interpretation:Der stärkste supraleitende Magnet auf Eisenbasis ist geboren! Wissenschaftler entwickeln neues Forschungssystem auf Basis maschinellen Lernens mit einer 2,7-mal höheren Magnetfeldstärke als der bisherige Rekord
Forschungsinhalte:Britischen und japanischen Wissenschaftlern gelang es mithilfe von KI-Technologie, den weltweit stärksten bekannten supraleitenden Magneten auf Eisenbasis zu entwickeln.
Veröffentlichte Zeitschrift:NPG Asia Materials, 2024.06

zweiundzwanzig,Titel des Artikels:Ein vereinfachtes elektrochemisches Modell für Lithium-Ionen-Batterien basierend auf Ensemble-Lernen

Chinesische Interpretation:Um die Leistungsgrenzen von Lithiumbatterien neu zu definieren, schlug das Team von Kang Jianqiang von der Technischen Universität Wuhan ein vereinfachtes elektrochemisches Modell auf Basis von Ensemble-Lernen vor.
Forschungsinhalte:Das Team der Technischen Universität Wuhan schlug ein vereinfachtes elektrochemisches Modell vor, mit dem sich die Veränderungen der Lithiumionenkonzentration auf der Oberfläche von Elektrodenpartikeln genau vorhersagen und so die Batteriespannung vorhersagen lassen.
Veröffentlichte Zeitschrift:iScience, 2024.05

dreiundzwanzig,Titel des Artikels:Lückentext: Übertragbare Deep-Learning-Ansätze zur Wiederherstellung fehlender physikalischer Feldinformationen

Chinesische Interpretation:Füllen Sie die Lücken im Materialraum: Das MIT nutzt Deep Learning zur Lösung zerstörungsfreier Prüfprobleme
Forschungsinhalte:Wissenschaftler des MIT haben mithilfe von Deep Learning eine Technik entwickelt, mit der fehlende Teile eines Materials anhand begrenzter Informationen wiederhergestellt und die Oberfläche weiter beobachtet werden kann, um die innere Struktur des Materials zu bestimmen.
Veröffentlichte Zeitschrift:Fortgeschrittene Materialien, 2023.03

vierundzwanzig,Titel des Artikels:Verbesserung des Designs korrosionsbeständiger Legierungen durch natürliche Sprachverarbeitung und Deep Learning

Chinesische Interpretation:KI „Anti-Korruption“, das deutsche Max-Planck-Institut kombiniert NLP und DNN, um korrosionsbeständige Legierungen zu entwickeln
Forschungsinhalte:Das Max-Planck-Institut für Eisenforschung in Deutschland kombinierte tiefe neuronale Netzwerke (DNN) und natürliche Sprachverarbeitung (NLP), um ein prozessbewusstes DNN zu entwickeln und die Auswirkungen verschiedener Elemente auf die Korrosionsbeständigkeit von Legierungen zu untersuchen.
Veröffentlichte Zeitschrift:Wissenschaftliche Fortschritte, 2023.08

25.Titel des Artikels:Eine umfassende Strategie des maschinellen Lernens für die Entwicklung leistungsstarker Photoanodenkatalysatoren

Chinesische Interpretation:Die Tsinghua-Universität nutzt interpretierbares maschinelles Lernen, um Photoanodenkatalysatoren zu optimieren und so die Photolyse von Wasser zur Erzeugung von Wasserstoff zu unterstützen
Forschungsinhalte:Ein Team der Tsinghua-Universität nutzte maschinelles Lernen, um den Co-Katalysator der BiVO(4)-Photoanode zu optimieren.
Veröffentlichte Zeitschrift:Zeitschrift für Materialchemie A, 2023.10

26.Originalarbeit:Universelles maschinelles Lernen für die Reaktion atomarer Systeme auf externe Felder

Chinesische Interpretation:Die Forschungsgruppe von Jiang Bin am USTC entwickelte FIREANN, um die Reaktion von Atomen auf externe Felder zu analysieren
Forschungsinhalte:Entscheidend ist die Wechselwirkung zwischen chemischen Systemen und äußeren Feldern. Ein Team der University of Science and Technology of China hat ein feldinduziertes rekursives eingebettetes atomares neuronales Netzwerk (FIREANN) entwickelt, das den sich ändernden Trend der Systemenergie bei Änderungen der externen Feldstärke und -richtung genau beschreiben und außerdem die Systemreaktion beliebiger Größenordnung vorhersagen kann.
Veröffentlichte Zeitschrift:Nature Communications, 2023.10

Oben sind die topaktuellen Artikel zu KI und Materialchemie aufgeführt, die in dieser Ausgabe zusammengefasst sind. Weitere Beiträge zu den Themen KI+Biomedizin, medizinische Gesundheit, Meteorologie und Ozeanographie finden Sie bis zum nächsten Mal.

Zum Schluss möchte ich noch einen technischen Salon vorstellen! Der 6. Meet AI Compiler wird am 28. Dezember in Shanghai eröffnet. Klicken Sie auf das Bild, um mehr über die Themen des Vortragenden zu erfahren, und scannen Sie den QR-Code, um sich direkt anzumelden.