应用场景：计算光学成像

关键性能：显著提升了深度学习在计算成像中的理论合理性与计算成像性能

标签属性：机器学习

应用场景：该工作对于云BMS系统利用量子计算能力进行SOH估计具有重要意义。

关键性能：具有良好的估计准确性、鲁棒性和泛化性。

标签属性：机器学习 锂离子

应用场景：深度学习

关键性能：由此方法得到的原子轨道基组哈密顿量不仅可以准确地重复出平面波方法计算得到的电子结构信息，还能够直接适配原有的DeepH框架并训练得到准确的神经网络模型。

标签属性：机器学习

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：机器学习

关键性能：在具备充足数据的hMOF_MOFX数据库中，Uni-MOF的预测精度高达0.98。在数据集CoRE_MAP上，Uni-MOF的预测精度达到0.83

标签属性：机器学习

应用场景：3D打印

关键性能：率先实现了3D打印可降解金属多孔植入物的临床应用，成功完成围关节骨折骨缺损修复30余例

标签属性：3D打印

应用场景：血压测量

关键性能：其性能显示血压平均误差小于3mmHg，误差标准差小于5 mmHg

标签属性：可穿戴

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：机器学习

关键性能：一种嵌入量子化学计算和图卷积神经网络的机器学习工作方法

标签属性：机器学习

应用场景：可穿戴人机交互系统

关键性能：该系统利用机器学习分类算法实现了对15种单一手势手语的识别和6种组合手势手语的识别（识别准确率分别达98.2%和98.9%）。系统整体的响应时间小于1s。

标签属性：可穿戴 柔性电子

应用场景：薄膜电容器

关键性能：在250 ℃极端温度下，充放电效率在90%以上的能量密度达到2.1J/cm3，为目前报道最高水平

标签属性：薄膜

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