Multimodale Lernmethoden zur Materialanalyse und -entdeckung
Multimodale Lernmethoden ermöglichen leistungsfähige Materialrepräsentationen, die für verbesserte Vorhersage von Materialeigenschaften, neuartige Materialentdeckung und interpretierbare Einblicke in Materialeigenschaften genutzt werden können.
Erstellung eines Funktionsmaterialien-Wissensgraphen in der multidisziplinären Materialwissenschaft durch Einsatz großer Sprachmodelle
Durch den Einsatz fortschrittlicher Verarbeitungstechniken natürlicher Sprache können Millionen von Entitäten extrahiert und zu Tripeln zusammengefügt werden, um einen multidisziplinären Wissensgraphen für Funktionsmaterialien zu erstellen, der unstrukturierte Informationen in neun verschiedene Etiketten unterteilt und nahtlos mit den Digital Object Identifiern der Quellpublikationen integriert.
Vorhersage von Zeolith-Adsorptionseigenschaften mit Hilfe von Deep Learning
Das Modell kann die Wärmetönung der Adsorption und den Henry-Koeffizienten von Zeolithen mit hoher Genauigkeit und deutlich schneller als herkömmliche Monte-Carlo-Simulationen vorhersagen. Darüber hinaus ermöglicht es die Identifizierung der für die Adsorption verantwortlichen Poren.
Automatisierte Erkundung der Struktur-Eigenschafts-Beziehungen in kombinatorischen Bibliotheken durch Co-Orchestrierung mehrerer Instrumente
Die Arbeit stellt einen robusten Co-Orchestrierungs-Workflow vor, der die Erkundung von Struktur-Eigenschafts-Beziehungen in kombinatorischen Bibliotheken durch den simultanen Einsatz mehrerer Methoden leitet. Dieser Ansatz nutzt die in einer Modalität gewonnenen Erkenntnisse, um die Erkundung anderer Modalitäten zu beschleunigen und so den gesamten Charakterisierungsprozess zu optimieren.
Vollständige und effiziente Graphtransformer für die Vorhersage von Kristallmaterialeigenschaften
Die periodischen und unendlichen Eigenschaften von Kristallen stellen einzigartige Herausforderungen für das geometrische Graphrepräsentationslernen dar. In dieser Arbeit wird ein neuartiger Ansatz vorgestellt, der die periodischen Muster von Einheitszellen nutzt, um eine effiziente und ausdrucksstarke Graphrepräsentation von Kristallen zu ermöglichen. Darüber hinaus wird ComFormer, ein speziell für kristalline Materialien entwickelter SE(3)-Transformer, präsentiert, der state-of-the-art-Vorhersagegenauigkeit auf verschiedenen Aufgaben über drei weit verbreitete Kristallbenchmarks zeigt.
Crystalformer: Effiziente Aufnahme periodischer Strukturen durch unendlich verbundene Aufmerksamkeit
Crystalformer ist ein Transformer-basierter Encoder, der die periodische Struktur von Kristallen durch unendlich verbundene Aufmerksamkeit effizient erfasst und damit die Vorhersage von Materialeigenschaften verbessert.
Effiziente Vorhersage der Peierls-Spannung von Materialien durch physikbasiertes Transferlernen
Durch Übertragung der physikalischen Zusammenhänge zwischen elastischen Eigenschaften, Stapelfehlerenergien und Peierls-Spannung von effizienten, aber ungenaueren Atomsimulationen auf hochgenaue Dichtefunktionaltheorie-Berechnungen können die Festigkeitseigenschaften von Materialien effizient und genau vorhergesagt werden.
Materialwissenschaft im Zeitalter großer Sprachmodelle: Eine Perspektive
Large Language Models (LLMs) können in der Materialforschung als leistungsstarke Werkzeuge eingesetzt werden, um Forscher bei der Bewältigung verschiedener Aufgaben zu unterstützen.
Erhellung des Eigenschaftsraums in der Kristallstrukturvorhersage mit Quality-Diversity-Algorithmen
Quality-Diversity-Algorithmen ermöglichen die Entdeckung vielfältiger Kristallstrukturen mit unterschiedlichen Eigenschaften.
Charakterisierung der semantischen Ambiguität der Materialwissenschafts-Ontologien
Semantische Ambiguität in Materialwissenschafts-Ontologien wird durch Begriffsüberlappungen charakterisiert.
© 2024 by Linnk AI