AMR文章推介 | 机器学习- X-MOL资讯

当前位置： X-MOL首页 › 行业资讯 › AMR文章推介 | 机器学习

AMR文章推介 | 机器学习

盘点

作者：X-MOL 2024-10-29

机器学习（Machine Learning）已应用于材料科学与工程研究的诸多方面，成为打破学科壁垒、提升研究效率的有力工具。我们整理出Accounts of Materials Research近年来刊出的聚焦/涉及机器学习的文章推荐给大家，欢迎阅读！

Account

Supramolecular-Based One-Pot Separation of Highly Pure Adsorbent-Free Semiconducting Single-Walled Carbon Nanotubes and Machine Learning-Based Nanotube Solubilization

Naotoshi Nakashima*, Yoshiyuki Nonoguchi, and Aleksandar Staykov

Acc. Mater. Res. 2024, 5, 8, 958–970

https://doi.org/10.1021/accountsmr.4c00113

日本九州大学国际碳中和能源研究所Naotoshi Nakashima教授团队介绍了一种使用增溶剂从分选的单壁碳纳米管（SWNT）表面去除包裹的增溶剂/吸附剂以得到高纯度无吸附剂的半导体单壁碳纳米管（sem-SWNT)的方法。其中，一种基于超分子化学的分选技术，可以避免增溶剂的使用。最后团队对分选过程进行了理论模拟，总结了相关的机器学习方法。

Account

Machine Learning-Assisted Design of Advanced Polymeric Materials

Liang Gao, Jiaping Lin*, Liquan Wang, and Lei Du

Acc. Mater. Res. 2024, 5, 5, 571–584

https://doi.org/10.1021/accountsmr.3c00288

华东理工大学林嘉平教授团队系统梳理了应用机器学习和数据驱动等新范式开展先进高分子材料设计的研究思路和方法，综述了近年来的代表性工作，并总结了应用新范式进行高分子材料研究所面临的挑战，提出了可能的解决路径和未来发展方向。

中文导读
AMR，公众号：AMR材料研究述评AMR Account | 华东理工大学林嘉平教授团队：机器学习辅助设计先进高分子材料

Account

Interpretable Machine Learning for Catalytic Materials Design toward Sustainability

Hongliang Xin*, Tianyou Mou, Hemanth Somarajan Pillai, Shih-Han Wang, and Yang Huang

Acc. Mater. Res. 2024, 5, 1, 22–34

https://doi.org/10.1021/accountsmr.3c00131

美国弗吉尼亚理工学院暨州立大学Hongliang Xin副教授团队提出了一个可解释的机器学习框架，用于加速催化材料的设计，特别是在推动可持续的碳、氮和氧循环方面。作者希望吸引更多研究者来开发出高度准确、易于解释和值得信赖的材料设计策略，促进向数据科学范式的转变，通过催化实现可持续发展。

Account

Current Status and Enhancement Strategies for All-Solid-State Lithium Batteries

Junwu Sang, Bin Tang, Kecheng Pan, Yan-Bing He*, and Zhen Zhou*

Acc. Mater. Res. 2023, 4, 6, 472–483

https://doi.org/10.1021/accountsmr.2c00229

清华大学深圳国际研究生院贺艳兵副教授和郑州大学周震教授团队着重讨论了高能量密度全固态电池当前的实际发展状况，并基于现有技术介绍了未来着力攻关的方向。

中文导读
AMR，公众号：AMR材料研究述评AMR Account | 清华大学深研院贺艳兵副教授和郑州大学周震教授团队：全固态锂电池的发展现状与强化策略

Viewpoint

Developing Classical Interatomic Potentials for Solid Electrolytes

Zhewen Zhu and Yizhou Zhu*

Acc. Mater. Res. 2022, 3, 11, 1101–1105

https://doi.org/10.1021/accountsmr.2c00184

西湖大学朱一舟教授团队强调了开发和评估超离子材料的经典原子间势函数的必要性，讨论了在开发原子间势函数时，对特定领域的知识进行编码和利用数据驱动的机器学习方法的重要性，并展望了分子动力学模拟如何推进对固体电解质的认识，来为未来的全固态电池发展铺平道路。

Account

Data-Driven Lithium-Ion Battery Cathode Research with State-of-the-Art Synchrotron X-ray Techniques

Zhichen Xue, Jizhou Li, Piero Pianetta, and Yijin Liu*

Acc. Mater. Res. 2022, 3, 8, 854–865

https://doi.org/10.1021/accountsmr.2c00098

美国斯坦福同步辐射光源Yijin Liu博士团队重点展示了集成同步辐射和机器学习技术研究锂离子电池正极的电荷-晶格-形态-动力学方面的最新发现，希望这种新方法能为此类材料的开发提供新的前景。

Account

Interpretable and Explainable Machine Learning for Materials Science and Chemistry

Felipe Oviedo*, Juan Lavista Ferres, Tonio Buonassisi, and Keith T. Butler*

Acc. Mater. Res. 2022, 3, 6, 597–607

https://doi.org/10.1021/accountsmr.1c00244

英国卢瑟福·阿普尔顿国家实验室Keith T. Butler研究员—微软Felipe Oviedo研究员合作团队介绍了机器学习中的可解释性技术在材料科学和化学研究中的应用，讨论了可解释性技术如何提高科学研究结果，制定了科学问题中模型的可解释性、完整性和科学有效性之间的基本权衡方法，并讨论了可解释模型的构建、优势和缺点、在不同科学研究中的影响和所面临的挑战。