<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0">
  <channel>
    <title>物质结构社区 - 数据库与AI材料设计(AI and databases)</title>
    <link>https://www.matstr.com/forum.php?mod=forumdisplay&amp;fid=19</link>
    <description>Latest 20 threads of 数据库与AI材料设计(AI and databases)</description>
    <copyright>Copyright(C) 物质结构社区</copyright>
    <generator>Discuz! Board by Discuz! Team</generator>
    <lastBuildDate>Thu, 07 May 2026 13:17:05 +0000</lastBuildDate>
    <ttl>60</ttl>
    <image>
      <url>https://www.matstr.com/static/image/common/logo_88_31.gif</url>
      <title>物质结构社区</title>
      <link>https://www.matstr.com/</link>
    </image>
    <item>
      <title>基于 AI-有限元融合的复合材料多尺度建模与性能预测前沿技术</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=2488</link>
      <description><![CDATA[“基于 AI-有限元融合的复合材料多尺度建模与性能预测前沿技术 ”
https://mp.weixin.qq.com/s/2jpkIRGsJJZqRuPQBkivMg
随着航空航天、新能源等领域对复合材料性能需求的升级，传统“试错法”研发模式面临瓶
颈：微观结构设计依赖经验、多尺度耦合机理不透明、全参数空 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>wzjgsq</author>
      <pubDate>Sat, 28 Feb 2026 08:17:27 +0000</pubDate>
    </item>
    <item>
      <title>AI融合有限元进行复合材料多尺度材料建模及性能预测技术前沿</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=2276</link>
      <description><![CDATA[专题一：基于AI有限元融合的复合材料多尺度建模与性能预测技术
聚焦AI与有限元融合的多尺度分析，涵盖RVE参数化建模、损伤准则与二次开发。通过搭建DNN、CNN及PINN模型，实现复合材料等效性能快速预测，并利用迁移学习突破跨材料体系预测。
专题二：【计算化学与人工智 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>结构gogogo</author>
      <pubDate>Thu, 18 Dec 2025 07:47:21 +0000</pubDate>
    </item>
    <item>
      <title>北京大学潘锋教授-人工智能材料学</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=2222</link>
      <description><![CDATA[北京大学讲席教授潘锋老师对应的七讲视频讲座直播、回放锦集、宣传视频后续都会发布在该视频号，欢迎大家扫码关注，转发！！！]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Sat, 29 Nov 2025 08:17:22 +0000</pubDate>
    </item>
    <item>
      <title>结构与材料预测AI模型（62个）</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1935</link>
      <description><![CDATA[sGDML基于机器学习的分子力场构建方法：https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1799&amp;extra=page%3D1AutoMatminer材料机器学习参考模型：https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1783&amp;extra=page%3D1GuacaMol 分子生成模型性能评估标准化框 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Sat, 13 Sep 2025 05:50:18 +0000</pubDate>
    </item>
    <item>
      <title>sGDML基于机器学习的分子力场构建方法</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1799</link>
      <description><![CDATA[sGDML（symmetrized Gradient-Domain Machine Learning）模型是一种基于机器学习的分子力场构建方法，旨在实现高精度分子动力学（MD）模拟。
一、模型目标：解决传统力场精度瓶颈
传统分子动力学（MD）依赖经典力场，但无法精确捕捉量子效应（如电子关联、核量子效应） ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Thu, 07 Aug 2025 00:21:32 +0000</pubDate>
    </item>
    <item>
      <title>QMOF金属有机框架量化数据库</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1798</link>
      <description><![CDATA[1. 数据库背景与目标
•        核心问题：金属有机框架（MOF）的量子化学性质（如带隙、电荷分布）计算依赖耗时的高通量密度泛函理论（DFT），阻碍大规模材料筛选。
•        解决方案：构建首个专注于MOF量子化学性质的公共数据库 QMOF，包含 14,000+ 实验合成MOF 的 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Thu, 07 Aug 2025 00:19:39 +0000</pubDate>
    </item>
    <item>
      <title>MatDesINNe 材料设计可逆神经网络</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1797</link>
      <description><![CDATA[1. 模型背景与核心原理
•        问题定义：材料逆设计需从目标性质（如带隙 Eg ）反推材料设计参数（如应变、电场），传统方法（如高通量筛选）计算成本高且效率低。
•        创新架构：MatDesINNe 基于可逆神经网络（INN/cINN），通过双向映射解决逆问题： 
o      ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Thu, 07 Aug 2025 00:16:48 +0000</pubDate>
    </item>
    <item>
      <title>MAGECS全局化学空间材料生成模型</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1796</link>
      <description><![CDATA[Material Generation with Efficient Global ChemicalSpace Search (MAGECS)​​
旨在解决传统材料生成模型的局限性，实现全局化学空间的高效探索，直接生成具有目标性能的新材料结构。特别针对传统方法（如VAE、GAN）仅能生成局部空间结构、依赖对称性约束，且无法有效 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Thu, 07 Aug 2025 00:13:10 +0000</pubDate>
    </item>
    <item>
      <title>MagGen永磁材料逆向设计模型</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1791</link>
      <description><![CDATA[MagGen（全称：Magnetic Materials Generative Model）是一种基于深度学习的生成模型，专门用于永磁材料的逆向设计（inverse design）。该模型由Sourav Mal、Gaurav Seal和Prasanjit Sen开发。MagGen的核心目标是通过同时嵌入目标属性（如形成能hform​ 和饱和磁化强度  ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Wed, 06 Aug 2025 06:24:52 +0000</pubDate>
    </item>
    <item>
      <title>VQCrystal晶体材料逆向设计框架</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1790</link>
      <description><![CDATA[VQCrystal是一种基于深度学习的晶体材料设计与逆向设计框架，通过离散潜在表示克服传统晶体生成的局限性。其核心创新点在于分层向量量化（Hierarchical Vector Quantization） 与多模块协同优化，实现了高效晶体结构生成、高精度物性预测及跨维度材料设计。


核心架构 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Wed, 06 Aug 2025 06:00:28 +0000</pubDate>
    </item>
    <item>
      <title>MatDeepLearn材料化学开源工作流和测试平台</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1789</link>
      <description><![CDATA[MatDeepLearn 是一个专为材料化学领域设计的开源工作流和测试平台，旨在快速、可重复地评估和比较图神经网络（GNNs）及其他机器学习模型。该平台由 Fung 等人在研究中开发，以解决材料科学中模型基准测试不一致的问题。


1. 平台架构与核心功能
MatDeepLearn 的核心是 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Wed, 06 Aug 2025 03:47:47 +0000</pubDate>
    </item>
    <item>
      <title>MODNet小样本材料机器学习框架</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1788</link>
      <description><![CDATA[MODNet（Material Optimal Descriptor Network）是一种针对小样本材料数据集设计的机器学习框架，通过结合物理特征选择、联合学习和神经网络架构优化，显著提升了材料属性预测的准确性。


1. 模型核心设计
MODNet基于三大关键技术：
•        物理特征选择：从材料结 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Wed, 06 Aug 2025 03:35:24 +0000</pubDate>
    </item>
    <item>
      <title>Matini-Net材料信息学机器学习操作框架</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1787</link>
      <description><![CDATA[1. 框架定位与核心目标
Matini-Net 是一个 材料信息学研究的机器学习操作框架，旨在解决现有平台（如 Matminer、Automatminer）的两大局限：
•        仅支持单模态模型（特征或图结构模型）；
•        缺乏端到端功能整合（数据检索、可视化、模型解释性）。
核心目 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Wed, 06 Aug 2025 03:08:19 +0000</pubDate>
    </item>
    <item>
      <title>LCMGM晶格约束晶体材料生成模型</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1786</link>
      <description><![CDATA[Lattice-Constrained Materials Generative Model (LCMGM) 是一种针对钙钛矿材料设计的深度生成架构，通过整合半监督变分自编码器（SS-VAE）、辅助生成对抗网络（A-GAN） 和贝叶斯优化（BO） 技术，解决传统生成模型在晶格重建时产生的对称性破坏问题（如低对称性、不可 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Wed, 06 Aug 2025 02:43:30 +0000</pubDate>
    </item>
    <item>
      <title>MOSES分子生成模型基准测试平台</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1785</link>
      <description><![CDATA[Molecular Sets (MOSES) 是一个开源的基准测试平台，旨在标准化分子生成模型的训练、评估和比较。它由多个研究机构联合开发（包括 Insilico Medicine、Harvard University 等）。MOSES 解决了分子生成领域的关键挑战：缺乏统一的评估协议，使研究人员能公平比较不同模型 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Wed, 06 Aug 2025 02:09:15 +0000</pubDate>
    </item>
    <item>
      <title>GuacaMol 分子生成模型性能评估标准化框架</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1784</link>
      <description><![CDATA[GuacaMol 是一个专为评估分子生成模型性能而设计的标准化框架，由 BenevolentAI 团队开发。


一、背景与动机
1.        问题定位 
o        传统虚拟筛选受限于预生成分子库规模（仅覆盖化学空间极小部分，约 10¹³/10²⁴⁻⁶⁰）。
o        深度生成模型（如 VAE、 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Wed, 06 Aug 2025 01:56:54 +0000</pubDate>
    </item>
    <item>
      <title>AutoMatminer材料机器学习参考模型</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1783</link>
      <description><![CDATA[AutoMatminer是一种全自动化的机器学习（AutoML）流程，专为无机固体材料属性预测设计。它通过整合材料特征提取、特征降维、模型选择与超参数优化，实现端到端的预测建模，无需人工干预或领域专业知识。


一、核心架构与设计目标
1. 定位与优势
•        自动化替代人 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Wed, 06 Aug 2025 01:47:35 +0000</pubDate>
    </item>
    <item>
      <title>Matminer材料数据挖掘开源工具包</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1782</link>
      <description><![CDATA[Matminer 是一个开源的 Python 工具包，专为材料数据挖掘设计。它通过整合材料科学领域的数据资源、特征提取方法和可视化工具，为材料信息学提供全流程支持。

1. 整体架构与设计理念
•        目标定位：作为材料科学与数据科学（如 Scikit-learn、Pandas）的桥梁，利 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Wed, 06 Aug 2025 01:35:34 +0000</pubDate>
    </item>
    <item>
      <title>pymatgen：材料研究python库</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1781</link>
      <description><![CDATA[Python Materials Genomics (pymatgen) 是一个强大、开源的 Python 库，专为材料科学分析而设计。它由 MIT、Lawrence Berkeley National Lab 等机构联合开发，旨在提供一套高效的工具，用于处理材料数据、执行结构操作和热力学分析，从而支持高通量计算材料科学项目（如 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Wed, 06 Aug 2025 01:00:59 +0000</pubDate>
    </item>
    <item>
      <title>CGCNN晶体图卷积神经网络</title>
      <link>https://www.matstr.com/forum.php?mod=viewthread&amp;tid=1779</link>
      <description><![CDATA[1. 核心思想：晶体图表示与通用框架
问题背景
传统材料性质预测方法依赖手工特征（如对称性描述符）或复杂坐标变换，存在两大局限：
•        泛化性差：特征设计针对特定晶体类型（如钙钛矿），难以推广至复杂结构。
•        可解释性弱：黑箱模型无法提供化学层面 ...]]></description>
      <category>数据库与AI材料设计(AI and databases)</category>
      <author>casjxm</author>
      <pubDate>Wed, 06 Aug 2025 00:07:12 +0000</pubDate>
    </item>
  </channel>
</rss>