应用场景：化学无序材料的智能预测

关键性能：与传统枚举法相比，LAsou方法仅需要非常少的第一性原理计算就可以快速找到热力学稳定的结构

标签属性：机器学习 第一性原理

应用场景：增材制造

关键性能：巧妙的将机器学习应用于4D打印材料的开发中，突破了传统工艺

标签属性：机器学习 增材制造

应用场景：数据驱动机器人合成纳米晶

关键性能：纳米晶高效逆向设计及合成

标签属性：机器学习

应用场景：确定材料的微结构

关键性能：仅需要非常少的第一性原理计算就可以快速找到热力学稳定的结构

标签属性：机器学习 第一性原理

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：校正密度泛函理论（DFT）的计算数据

关键性能：形成焓预测数据（基于PBE泛函）与实验数据的误差仅为~0.06 eV/atom

标签属性：机器学习 材料计算模拟

应用场景：合金设计

关键性能：快速、自动发现具有最佳热、磁和电性能的高熵合金

标签属性：合金设计 机器学习

应用场景：超级电容器设计

关键性能：建立了3D打印碳微晶格电极结构参数与其超级电容性能之间的构效关系，为实现可定制的超级电容性能提供了合理的设计指导

标签属性：超级电容性能 机器学习 3D打印

应用场景：固体氧化物燃料电池

关键性能：ISA的极化分布与最佳结构有关，由于电子对的偏移，氧空位（VO）形成能和迁移势垒降低

标签属性：机器学习 氧还原电极设计

应用场景：超级电容性能的高效设计

关键性能：结果显示随机森林算法（RF）呈现出最佳的拟合效果，R2决定系数高达0.978而均方根误差低至0.073

标签属性：超级电容性能 机器学习 3D打印

应用场景：固体氧化物燃料电池阴极材料设计

关键性能：将机器学习、理论计算与陶瓷固体氧化物开发相结合，开发了一个经过实验验证的阴极材料机器学习筛选技术

标签属性：固体氧化物燃料电池阴极材料设计 机器学习

应用场景：锂离子电池的寿命预测

关键性能：对存储时间和能量吞吐量的推断的预测精度分别提高了38%和13%

标签属性：锂离子电池 机器学习

应用场景：触觉传感器

关键性能：提高了材料识别的准确率，解决可识别材料类型的有限性，同时也提升了检测效率

标签属性：触觉传感器

应用场景：高效制备药物化合物

关键性能：通过合并对映选择性Brnsted碱有机催化和使用单一聚合结晶的热力学立体控制，可以有效地利用这种不稳定性

标签属性：结晶 催化 晶体包装

应用场景：设计降解酶

关键性能：在温和的温度下保持降解活性

标签属性：机器学习 塑料降解 蛋白质工程

应用场景：解析二维大分子材料中的复杂结构与性能关联特性

关键性能：获得了石墨烯等二维材料的构象数据

标签属性：机器学习

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：机器学习

关键性能：开发了自动化高通量工作流，获得决定硬质涂层性质的关键参数，并发展理论预测模型

标签属性：机器学习 密度泛函理论

应用场景：深度学习

关键性能：从理论上证明了FastAdaBelief的收敛速度比其他自适应优化算法快，并且通过大量充分的实验验证了该算法的泛化能力比其他自适应优化算法强，这可以帮助完成很多场景下的深度模型训练任务，尤其是在样本数据短缺、硬件计算算力不足的情况下

标签属性：机器学习

应用场景：低维材料特别是一维材料的开发

关键性能：发现了一批新型的一维材料，并找到部分一维材料与二维材料结构图之间的子图同构关联

标签属性：人工智能 机器学习 图论