Vorhersage der Kristallstruktur mit Hilfe von Deep Learning und Wissen über Atompaarbeziehungen
Das AlphaCrystal-II-Modell nutzt die reichhaltigen Beziehungen zwischen Atomen in bekannten Kristallstrukturen, um die Atomabstandsmatrix eines Materials vorherzusagen und daraus die 3D-Kristallstruktur zu rekonstruieren. Dieser datengesteuerte, wissensbasierte Ansatz zeigt eine bemerkenswerte Effektivität und Zuverlässigkeit bei der Strukturvorhersage.
Vorhersage von Kristallstrukturen aus Pulver-Röntgenbeugungsdaten durch ein End-to-End-Tiefenlernmodell
XtalNet, ein equivariantes tiefes generatives Modell, kann Kristallstrukturen direkt aus Pulver-Röntgenbeugungsdaten ohne externe Datenbanken oder manuelle Eingriffe vorhersagen.
Vielfältige und hochwertige kristalline Materialien durch Multi-Objective Quality-Diversity-Optimierung entdecken
Durch den Einsatz von Multi-Objective Quality-Diversity-Algorithmen können diverse und hochwertige kristalline Materialien mit unterschiedlichen Eigenschaften wie Leitfähigkeit, Magnetismus und Stabilität gefunden werden.
© 2024 by Linnk AI