- 简介AI有潜力通过比其他计算方法或试错法更有效地探索化学空间来加速材料发现和设计,这对于从帮助减缓气候变化到推进下一代计算硬件等众多应用至关重要。虽然在材料数据、基准和模型的AI方面已经取得了实质性进展,但出现的一个障碍是缺乏公开可用的训练数据和开放的预训练模型。为了解决这个问题,我们提供了Open Materials 2024 (OMat24)大规模开放数据集的Meta FAIR版本和相应的预训练模型。OMat24包含超过1.1亿个密度泛函理论(DFT)计算,重点关注结构和组成的多样性。我们的EquiformerV2模型在Matbench Discovery排行榜上实现了最先进的性能,并能够预测基态稳定性和形成能量的F1分数高达0.9以上,精度为20 meV/原子。我们探讨了模型大小、辅助去噪目标和微调对OMat24、MPtraj和Alexandria等一系列数据集的性能影响。OMat24数据集和模型的开放发布使研究社区能够建立在我们的努力基础上,并推动AI辅助材料科学的进一步发展。
- 图表
- 解决问题本文旨在解决材料科学中缺乏公开的训练数据和预训练模型的问题,以加速材料发现和设计。作者提出了一个大规模的开放数据集OMat24和一组预训练模型,以推动人工智能辅助材料科学的进一步发展。
- 关键思路本文的关键思路是利用OMat24数据集和预训练模型来加速材料发现和设计。作者的EquiformerV2模型在Matbench Discovery排行榜上取得了最先进的表现。
- 其它亮点本文提出了一个大规模的开放数据集OMat24和一组预训练模型,并且在Matbench Discovery排行榜上取得了最先进的表现。作者还探讨了模型大小、辅助去噪目标和微调对性能的影响,并在不同的数据集上进行了实验。OMat24数据集和模型的公开释放使得研究社区能够在此基础上进一步推进人工智能辅助材料科学的发展。
- 在最近的研究中,也有一些关于人工智能辅助材料科学的相关研究。例如,题为“Accelerated Discovery of Stable Interfaces through Machine Learning”的论文探索了利用机器学习加速稳定界面的发现。
沙发等你来抢
去评论
评论
沙发等你来抢