应用场景:深度学习电子结构计算
关键性能:能在零训练数据的情形下利用基本物理原理实现DeepH优化学习。该方法通过在神经网络中嵌入物理规则,巧妙地将神经网络与变分DFT算法结合,形成了一种名为“神经网络DFT”的无监督学习框架。DeepH-Zero在模型精度和泛化能力方面显著超越了传统监督学习框架,它能够在不依赖任何训练计算数据的情况下,实现对材料物性的精准预测
标签属性:机器学习
|
应用场景:能量和热化学性质、几何构型优化、分子动力学和量子动力学模拟
关键性能:旨在利用机器学习的强大功能来增强典型的计算化学模拟,并创建复杂的工作流程
标签属性:机器学习
|
应用场景:有机氟化合物
关键性能:为科研人员、教育工作者和行业专业人士提供专业、可靠、时新和丰富的含氟化试剂的相关信息
标签属性:有机氟化合物
|
应用场景:计算模拟
关键性能:利用蒙特卡洛模拟计算居里温度、Neel温度
标签属性:计算模拟
|
应用场景:晶体结构预测
关键性能:支持三维,二维晶体,分子晶体,表面重构,团簇,受限空间等体系的定组分和变组分搜索
标签属性:晶体结构预测 机器学习 材料设计
|
应用场景:自动化实验平台
关键性能:用ChatGPT作为核心串联起①真实世界的机械臂进行自动化实验,②本地或网上专业的材料数据库,③优化材料配方的主动学习算法。
标签属性:机器学习
|
应用场景:HAADF-STEM图像模拟
关键性能:快速模拟HAADF-STEM图像。可以任意改变原子模型方向,并且实时产生相应的HAADF-STEM图像。
标签属性:程序 HAADF 电镜 模拟 球差
|
应用场景:分子动力学模拟
关键性能:速度高、内存(显存)节约、安装简易
标签属性:机器学习 分子动力学模拟
|
应用场景:固体物理
关键性能:建立了非磁性化学计量材料的全拓扑带目录
标签属性:固体物理 非磁性晶体 拓扑绝缘体 拓扑晶体绝缘体
|
应用场景:锂电池
关键性能:实现复杂材料系统的基于文本挖掘的高效知识融合和推理与预测
标签属性:锂离子电池 机器学习
|
应用场景:质谱谱图解析
关键性能:开发出非糖库依赖的肽段序列鉴定方法,实现了未知糖链肽段及其上可能带有的修饰基团的鉴定
标签属性:质谱
|
应用场景:能带图绘制脚本
关键性能:能带图绘制脚本
标签属性:第一性原理
|
应用场景:材料基因工程与材料信息学
关键性能:解决了系列材料信息学研究面临的关键技术难题
标签属性:人工智能
|
应用场景:电-热、磁-机等多物理耦合建模仿真
关键性能:从几何建模到后处理结果分析的全流程功能,具有高灵活性和可扩展性
标签属性:仿真
|
应用场景:xrd精修
关键性能:一款X射线精修软件
标签属性:xrd
|
|
|
|