AI顛覆材料化學，匯總2024年最值得關注的科研成果

26 篇 AI+材料化學論文匯總

原標題：AI顛覆材料化學，匯總2024年最值得關注的科研成果
文章來源：HyperAI超神經
內容字數：10553字

AI賦能材料化學：2023-2024年前沿論文精選

本文為HyperAI超神經精選的2023-2024年AI在材料化學領域的前沿論文匯總，展現了AI for Science如何推動材料研發變革，告別傳統的經驗試錯模式，顯著提升效率并降低成本。

1. 高溫高熵合金的設計

北京科技大學團隊利用機器學習、遺傳算法等多目標優化框架，設計出兼具高溫強度和室溫延展性的耐火高熵合金，突破了1200°C高溫性能極限 (Engineering,2024.09)。

2. 開源材料數據集OMat24

Meta發布了包含超過1.1億DFT計算結果的開源數據集OMat24及預訓練模型EquiformerV2，幾乎涵蓋了整個元素周期表 (arXiv,2024.10)。

3. 光譜預測模型GNNOpt

日本東北大學和MIT合作開發的GNNOpt模型，基于圖神經網絡，成功識別出數百種高性能太陽能電池和量子材料 (Advanced Materials,2024.06)。

4. 鋰電池壽命預測

上海交通大學團隊利用半監督學習方法PBCT，提升了鋰電池壽命預測精度20%，有效提取了無標簽數據中的隱藏信息 (Joule,2024.03)。

5. 化學大語言模型ChemLLM

上海人工智能實驗室發布的ChemLLM，其專業能力與GPT-4相當，涵蓋了7百萬問答數據，為科學領域LLM的開發樹立了新標桿 (arXiv,2024.02)。

6. 催化劑設計優化

上海交通大學團隊基于自動機器學習(AutoML)，提取關鍵特征，加速了催化劑設計，對催化劑表面反應物的化學吸附能研究具有重要意義 (PNAS,2024.03)。

7. 三維光電探測器

復旦大學團隊結合深度神經網絡和納米薄膜技術，開發出可以高精度預測入射光角度的三維結構光電探測器，在可穿戴設備等領域具有巨大潛力 (Nature Communications,2024.04)。

8. 神經網絡密度泛函理論

清華大學團隊提出神經網絡密度泛函理論框架，克服了傳統DFT計算的耗時和復雜性，為材料電子結構預測提供了新的途徑 (Physical Review Letters,2024.08)。

9. 可解釋逆合成路線預測

山東大學和電子科技大學團隊開發了可解釋深度學習算法RetroExplainer，能夠在4步內識別有機物的逆合成路線 (Nature Communications,2023.10)。

以上僅列舉部分論文，其余論文涉及X射線閃爍體、金屬有機框架材料吸附預測、通用材料模型DeepH、MOFs生成式AI框架、P-SOC材料預測、材料性能預測模型SEN、水吸附等溫線預測、材料生成模型FlowLLM、新晶體預測工具GNoME、光譜儀、鐵基超導磁體、鋰電池電化學模型、無損檢測技術以及抗蝕合金設計等多個研究方向，共同展現了AI在材料化學領域的蓬勃發展。

聯系作者

文章來源：HyperAI超神經
作者微信：
作者簡介：解構技術先進性與普適性，報道更前沿的 AIforScience 案例