AI顛覆材料化學，匯總2024年最值得關注的科研成果

AI for Science 作為科學發(fā)現(xiàn)的「第五范式」，正在開創(chuàng)一場全新的科研革命，在材料化學領域，這場變革尤為顯著。

告別傳統(tǒng)的「憑經(jīng)驗+反復試錯」模式，在智能驅動的材料研發(fā)中，AI 在科學仿真、模型預測、高通量實驗、自動化表征等方面提供重要手段，可有效降低新材料研發(fā)成本，提高研發(fā)效率。

回望即將謝幕的 2024 年，材料化學領域在 AI 的加持下捷報頻傳，也涌現(xiàn)出越來越多的高價值研究成果。作為最早一批關注 AI for Science 的社區(qū)，HyperAI超神經(jīng)通過解讀前沿論文、不定期組織線上/線下學術分享等多元方式，致力于推動 AI for Science 的普適化。

在這辭舊迎新的節(jié)點，我們?yōu)榇蠹揖x并分類匯總了 2023-2024 年期間解讀的前沿論文，本期文章聚焦 AI 在材料化學領域的研究，點擊下方論文題目或中文解讀，即可跳轉論文解讀頁面，希望對您有所幫助。

01、論文題目：Machine-Learning-Assisted Compositional Design of Refractory High-Entropy Alloys with Optimal Strength and Ductility

中文解讀：突破1200°C高溫性能極限！北京科技大學用機器學習合成24種耐火高熵合金，室溫延展性極佳
研究內(nèi)容：北京科技大學團隊整合機器學習、遺傳搜索、聚類分析和實驗反饋的多目標優(yōu)化框架，尋找具備最佳高溫強度和室溫延展性的耐火高熵合金。
發(fā)布期刊：Engineering, 2024.09

02、論文題目：Open Materials 2024 (0Mat24) Inorganic Materials Dataset and Models

中文解讀：幾乎覆蓋元素周期表！Meta 發(fā)布開源 OMat24 數(shù)據(jù)集，含 1.1 億 DFT 計算結果
研究內(nèi)容：Meta 發(fā)布開源數(shù)據(jù)集 OMat24 以及預訓練模型 EquiformerV2，OMat24 數(shù)據(jù)集包含超過 1.1 億以結構和成分多樣性為重點的 DFT 計算結果。

發(fā)布期刊：arXiv, 2024.10

03、論文題目：Universal Ensemble-Embedding Graph Neural Network for Direct Prediction of Optical Spectra from Crystal Structures

中文解讀：基于944種材料數(shù)據(jù)，日本東北大學聯(lián)合MIT發(fā)布GNNOpt模型，成功識別數(shù)百種太陽能電池和量子候選材料
研究內(nèi)容：日本東北大學和 MIT 研究人員推出了一種基于圖神經(jīng)網(wǎng)絡的 GNNOpt 模型，成功識別出 246 種超過 32% 太陽能轉換效率的材料，以及 296 種具有高量子權重的量子材料。
發(fā)布期刊：Advanced Materials, 2024.06

04、論文題目：Semi-supervised learning for explainable few-shot battery lifetime prediction

中文解讀：鋰電池壽命預測精度提升 20%！上海交大團隊發(fā)布半監(jiān)督學習方法 PBCT，提取無標簽數(shù)據(jù)中的隱藏信息
研究內(nèi)容：上海交通大學團隊用半監(jiān)督學習技術預測電池壽命，預測精度提升 20%。
發(fā)布期刊：Joule, 2024.03

05、論文題目：ChemLLM: A Chemical Large Language Model

中文解讀：覆蓋 7 百萬問答數(shù)據(jù)，上海 AI Lab 發(fā)布 ChemLLM，專業(yè)能力比肩 GPT-4
研究內(nèi)容：上海人工智能實驗室發(fā)布了化學大語言模型 ChemLLM，該模型可通過對話交互執(zhí)行化學學科的各種任務，在核心任務上的性能與 GPT-4 相當，研究人員將結構化化學知識融入對話系統(tǒng)，為開發(fā)各科學領域的 LLM 樹立了新標準。
發(fā)布期刊：arXiv, 2024.02

06、論文題目：*nterpreting Chemisorption Strength with AutoML-based Feature Deletion Experiments

中文解讀：加速催化劑設計，上海交大賀玉蓮課題組基于 AutoML 進行知識自動提取
研究內(nèi)容：上海交通大學密西根學院團隊基于自動機器學習 (AutoML)，探索了哪個因素主導催化劑表面反應物的化學吸附能，對催化劑設計優(yōu)化具有重要意義。
發(fā)布期刊：Proceedings of the National Academy of Sciences, 2024.03

07、**論文題目：**Multilevel design and construction in nanomembrane rolling for three-dimensional angle-sensitive photodetection

**中文解讀：**微電子加速邁向后摩爾時代！復旦大學梅永豐課題組集成 DNN 與納米薄膜技術，精準分析入射光角度
**研究內(nèi)容：**復旦大學團隊結合深度神經(jīng)網(wǎng)絡及納米薄膜組裝，開發(fā)了系列三維結構光電探測器，可以實現(xiàn)對入射光角度的高精度預測，在可穿戴設備、智能家具和智能駕駛系統(tǒng)等領域極具潛力。
**發(fā)布期刊：**Nature Communications, 2024.04

08、**論文題目：**Neural-network density functional theory based on variational energy minimization

**中文解讀：**材料探索新紀元！清華大學徐勇、段文暉團隊發(fā)布神經(jīng)網(wǎng)絡密度泛函框架，打開物質(zhì)電子結構預測的黑箱！
**研究內(nèi)容：**清華大學團隊提出神經(jīng)網(wǎng)絡密度泛函理論框架，克服傳統(tǒng) DFT 計算材料結構耗時且復雜的缺點。
**發(fā)布期刊：**Physical Review Letters, 2024.08

09、**論文題目：**Retrosynthesis prediction with an interpretable deep learning framework based on molecular assembly tasks

**中文解讀：**山東大學開發(fā)可解釋深度學習算法 RetroExplainer，4 步識別有機物的逆合成路線
**研究內(nèi)容：**山東大學聯(lián)合電子科技大學團隊共同開發(fā)了可解釋的深度學習算法 RetroExplainer，可以 4 步識別有機物的逆合成路線，給出易得的反應物，為有機化學逆合成研究提供強力工具。
**發(fā)布期刊：**Nature Communications, 2023.10

10、**論文題目：**Water-dispersible X-ray scintillators enabling coating and blending with polymer materials for multiple applications

**中文解讀：**柔性復合材料新突破！河北大學研究團隊利用創(chuàng)新 X 射線閃爍體開發(fā) 3 種新材料
**研究內(nèi)容：**河北大學聯(lián)合根特大學團隊，開發(fā)了具有良好水分散性、對 X 射線高度敏感的閃爍體，并利用水分散性閃爍體開發(fā)了 3 種材料。
**發(fā)布期刊：**Nature Communications, 2024.03

11、**論文題目：**A comprehensive transformer-based approach for high-accuracy gas adsorption predictions in metal-organic frameworks

**中文解讀：**有效識別 63 萬個三維空間構型，清華大學牽頭發(fā)布 Uni-MOF 模型，預測 MOF 吸附能力
**研究內(nèi)容：**清華大學、美國加州大學河濱分校、北京科學智能研究院等團隊，提出了一種三維金屬有機框架材料吸附行為預測的機器學習模型 Uni-MOF，用于預測各類工況下納米多孔材料對各類氣體的吸附性能。
**發(fā)布期刊：**Nature Communications, 2024.03

12、**論文題目：**Universal materials model of deep-learning density functional theory Hamiltonian

**中文解讀：**神經(jīng)網(wǎng)絡替代密度泛函理論！清華研究組發(fā)布通用材料模型 DeepH，實現(xiàn)超精準預測
**研究內(nèi)容：**清華大學團隊提出 DeepH 通用材料模型，可用于預測材料結構和性質(zhì)，展示了構建「材料大模型」的可行性。
**發(fā)布期刊：**Science Bulletin, 2024.06

13、**論文題目：**A generative artificial intelligence framework based on amolecular diffusion model for the design of metal-organic frameworks for carbon capture

**中文解讀：**33 分鐘生成 12 萬種碳捕捉候選材料，美國阿貢國家實驗室發(fā)布生成式 AI 框架，加速 MOFs 創(chuàng)新
**研究內(nèi)容：**美國阿貢國家實驗室發(fā)布生成式 AI 框架 GHP-MOFsassemble，能夠隨機生成并組裝新的 MOFs 結構，篩選出高穩(wěn)定性的 MOFs 結構，并測試其對二氧化碳的吸附能力。
**發(fā)布期刊：**Communications Chemistry, 2024.02

14、**論文題目：**Machine-Learning Assisted Screening Proton Conducting Co/Febased Oxide for the Air Electrode of Protonic Solid Oxide Cell

**中文解讀：**AI 篩選電池材料，廣州大學葉思宇院士開發(fā)可用于 P-SOC 材料預測的機器學習算法模型
**研究內(nèi)容：**廣州大學的研究人員建立了一種基于極限梯度增強算法的機器學習模型，可用于 P-SOC 空氣電極的篩選。
**發(fā)布期刊：**Advanced Functional Materials, 2023.12

15、**論文題目：**Material symmetry recognition and property prediction accomplished by crystal capsule representation

**中文解讀：**中山大學李華山、王彪課題組開發(fā) SEN 機器學習模型，高精度預測材料性能
**研究內(nèi)容：**中山大學團隊開發(fā)了一款名為 SEN 的機器學習模型，可準確感知固有晶體對稱性和材料結構團簇之間的相互作用。
**發(fā)布期刊：**Nature Communications, 2023.08

16、**論文題目：**Machine learning-assisted prediction of water adsorption isotherms and cooling performance

**中文解讀：**華中科技大學李松課題組，利用機器學習預測多孔材料水吸附等溫線
**研究內(nèi)容：**華中科技大學團隊建立了一個兩步機器學習模型，訓練 AI 通過材料的結構參數(shù)預測水吸附等溫線參數(shù)和后續(xù)應用性能。
**發(fā)布期刊：**Journal of Materials Chemistry A, 2023.09

17、**論文題目：**FlowLLM: Flow Matching for Material Generation with Large Language Models as Base Distributions

**中文解讀：**穩(wěn)定性材料生成效率提升300%！Meta FAIR發(fā)布材料生成模型FlowLLM，數(shù)據(jù)集覆蓋超4.5w種材料
**研究內(nèi)容：**Meta FAIR 實驗室聯(lián)合阿姆斯特丹大學發(fā)布材料生成模型 FlowLLM，該模型生成穩(wěn)定材料的效率提升 300% 以上，生成 S.U.N. 材料的效率提高約 50%。
**發(fā)布期刊：**NeurIPS 2024, 2024.10

18、**論文題目：**Scaling deep learning for materials discovery

**中文解讀：**領先人類 800 年？DeepMind 發(fā)布 GNoME，利用深度學習預測 220 萬種新晶體
**研究內(nèi)容：**Google DeepMind 發(fā)布深度學習工具 GNoME，短時間內(nèi)就發(fā)現(xiàn)了 220 萬種新晶體，其中 38 萬種新晶體具備穩(wěn)定的結構，可以成為研發(fā)的潛在材料。
**發(fā)布期刊：**Nature, 2023.11

19、**論文題目：**CMOS-Compatible Reconstructive Spectrometers with Self-Referencing Integrated Fabry-Perot Resonators

**中文解讀：**美國科學院院刊封面文章！中國團隊發(fā)布可晶圓級生產(chǎn)的人工智能自適應微型光譜儀
**研究內(nèi)容：**復旦大學團隊提出了一種新的微型化重構光譜儀設計，該光譜儀可以通過成熟的集成電路工藝進行晶圓級制造，并具有毫米級尺寸，足以勝任大部分微型化光譜測試需求。
**發(fā)布期刊：**Proceedings of the National Academy of Sciences, 2024.08

20、**論文題目：**Fully forward mode training for optical neural networks

**中文解讀：**國產(chǎn)光芯片重大突破！清華團隊利用神經(jīng)網(wǎng)絡，首創(chuàng)全前向智能光計算訓練架構
**研究內(nèi)容：**清華大學團隊開發(fā)了一種全前向模式 FFM 學習方法，有望推動深度學習神經(jīng)網(wǎng)絡、超靈敏感知和拓撲光子學等領域的發(fā)展。
**發(fā)布期刊：**Nature, 2024.08

21、**論文題目：**Superstrength permanent magnets with iron-based superconductors by data- and researcher-driven process design

**中文解讀：**最強鐵基超導磁體誕生！科學家基于機器學習設計新研究體系，磁場強度超過先前記錄2.7倍
**研究內(nèi)容：**英國和日本科學家利用 AI 技術，成功制造出世界上已知最強的鐵基超導磁體。
**發(fā)布期刊：**NPG Asia Materials, 2024.06

22、**論文題目：**A simplified electrochemical model forlithium-ion batteries based on ensemblelearning

**中文解讀：**重塑鋰電池性能邊界，武漢理工大學康健強團隊，基于集成學習提出簡化電化學模型
**研究內(nèi)容：**武漢理工大學團隊提出了一種簡化電化學模型，可以對電極顆粒表面鋰離子濃度變化進行精確預測，進而預測電池電壓。
**發(fā)布期刊：**iScience, 2024.05

23、**論文題目：**Fill in the Blank: Transferrable Deep Learning Approaches to Recover Missing Physical Field Information

**中文解讀：**材料空間「填空解謎」：MIT 利用深度學習解決無損檢測難題
**研究內(nèi)容：**MIT 科學家用深度學習開發(fā)了一種技術，能夠通過有限的信息恢復材料中的缺失部分，并進一步觀察表面確定材料的內(nèi)部結構。
**發(fā)布期刊：**Advanced Materials, 2023.03

24、**論文題目：**Enhancing corrosion-resistant alloy design through natural language processing and deep learning

**中文解讀：**AI「反腐」，德國馬普所結合 NLP 和 DNN 開發(fā)抗蝕合金
**研究內(nèi)容：**德國馬克思普朗克鐵研究所將深度神經(jīng)網(wǎng)絡 (DNN) 和自然語言處理 (NLP) 結合開發(fā)了進程感知 DNN，用于探索不同元素對合金抗蝕性能的影響。
**發(fā)布期刊：**Science Advances, 2023.08

25、**論文題目：**A comprehensive machine learning strategy fordesigning high-performance photoanode catalysts

**中文解讀：**清華大學利用可解釋機器學習，優(yōu)化光陽極催化劑，助力光解水制氫
**研究內(nèi)容：**清華大學團隊用機器學習優(yōu)化了 BiVO(4) 光陽極的助催化劑。
**發(fā)布期刊：**Journal of Materials Chemistry A, 2023.10

26、**論文原文：**Universal machine learning for the response of atomistic systems to external fields

**中文解讀：**中科大蔣彬課題組開發(fā) FIREANN，分析原子對外界場的響應
**研究內(nèi)容：**化學系統(tǒng)與外場的相互作用至關重要，中國科學技術大學團隊開發(fā)了場誘導遞歸嵌入原子神經(jīng)網(wǎng)絡 (FIREANN)，可以準確描述外場強度和方向的變化時、系統(tǒng)能量的變化趨勢，還能預測任意階數(shù)的系統(tǒng)響應。
**發(fā)布期刊：**Nature Communication, 2023.10

以上就是本期匯總的 AI+材料化學前沿論文，更多 AI+生物醫(yī)藥、醫(yī)療健康、氣象海洋等論文匯總，我們下期再見。