AI颠覆材料化学，汇总2024年最值得关注的科研成果

26 篇 AI+材料化学论文汇总

原标题：AI颠覆材料化学，汇总2024年最值得关注的科研成果
文章来源：HyperAI超神经
内容字数：10553字

AI赋能材料化学：2023-2024年前沿论文精选

本文为HyperAI超神经精选的2023-2024年AI在材料化学领域的前沿论文汇总，展现了AI for Science如何推动材料研发变革，告别传统的经验试错模式，显著提升效率并降低成本。

1. 高温高熵合金的设计

北京科技大学团队利用机器学习、遗传算法等多目标优化框架，设计出兼具高温强度和室温延展性的耐火高熵合金，突破了1200°C高温性能极限 (Engineering,2024.09)。

2. 开源材料数据集OMat24

Meta发布了包含超过1.1亿DFT计算结果的开源数据集OMat24及预训练模型EquiformerV2，几乎涵盖了整个元素周期表 (arXiv,2024.10)。

3. 光谱预测模型GNNOpt

日本东北大学和MIT合作开发的GNNOpt模型，基于图神经网络，成功识别出数百种高性能太阳能电池和量子材料 (Advanced Materials,2024.06)。

4. 锂电池寿命预测

上海交通大学团队利用半监督学习方法PBCT，提升了锂电池寿命预测精度20%，有效提取了无标签数据中的隐藏信息 (Joule,2024.03)。

5. 化学大语言模型ChemLLM

上海人工智能实验室发布的ChemLLM，其专业能力与GPT-4相当，涵盖了7百万问答数据，为科学领域LLM的开发树立了新标杆 (arXiv,2024.02)。

6. 催化剂设计优化

上海交通大学团队基于自动机器学习(AutoML)，提取关键特征，加速了催化剂设计，对催化剂表面反应物的化学吸附能研究具有重要意义 (PNAS,2024.03)。

7. 三维光电探测器

复旦大学团队结合深度神经网络和纳米薄膜技术，开发出可以高精度预测入射光角度的三维结构光电探测器，在可穿戴设备等领域具有巨大潜力 (Nature Communications,2024.04)。

8. 神经网络密度泛函理论

清华大学团队提出神经网络密度泛函理论框架，克服了传统DFT计算的耗时和复杂性，为材料电子结构预测提供了新的途径 (Physical Review Letters,2024.08)。

9. 可解释逆合成路线预测

山东大学和电子科技大学团队开发了可解释深度学习算法RetroExplainer，能够在4步内识别有机物的逆合成路线 (Nature Communications,2023.10)。

以上仅列举部分论文，其余论文涉及X射线闪烁体、金属有机框架材料吸附预测、通用材料模型DeepH、MOFs生成式AI框架、P-SOC材料预测、材料性能预测模型SEN、水吸附等温线预测、材料生成模型FlowLLM、新晶体预测工具GNoME、光谱仪、铁基超导磁体、锂电池电化学模型、无损检测技术以及抗蚀合金设计等多个研究方向，共同展现了AI在材料化学领域的蓬勃发展。

联系作者

文章来源：HyperAI超神经
作者微信：
作者简介：解构技术先进性与普适性，报道更前沿的 AIforScience 案例