CN117766070A - 一种基于人工智能的材料设计方法、装置、终端及介质 - Google Patents

一种基于人工智能的材料设计方法、装置、终端及介质 Download PDF

Info

Publication number
CN117766070A
CN117766070A CN202310744159.3A CN202310744159A CN117766070A CN 117766070 A CN117766070 A CN 117766070A CN 202310744159 A CN202310744159 A CN 202310744159A CN 117766070 A CN117766070 A CN 117766070A
Authority
CN
China
Prior art keywords
artificial intelligence
vector
training
model
performance parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310744159.3A
Other languages
English (en)
Inventor
项翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hong Kong Quantum Artificial Intelligence Laboratory Ltd
Original Assignee
Hong Kong Quantum Artificial Intelligence Laboratory Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hong Kong Quantum Artificial Intelligence Laboratory Ltd filed Critical Hong Kong Quantum Artificial Intelligence Laboratory Ltd
Publication of CN117766070A publication Critical patent/CN117766070A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1679—Programme controls characterised by the tasks executed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J18/00—Arms
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • B25J9/1697—Vision controlled systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种基于人工智能的材料设计方法、装置、终端及介质，所述方法包括：训练人工智能模块，以使人工智能模块获得材料结构与材料性质之间的映射规则；向训练完成的人工智能模块中输入期望性能参数；所述人工智能模型输出满足所述期望性能参数的目标材料。本发明通过训练人工智能模块获取材料结构‑材料性能的映射规则，使得人工智能模块能够根据研究人员设置的期望性能参数以及映射规则自行探索具有期望性能参数的目标材料，避免了现有技术中由于研究人员根据自身经验探索造成的思维限制，进而极大提高了发现新材料应用的机会。

Description

一种基于人工智能的材料设计方法、装置、终端及介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于人工智能的材料设计方法、装置、终端以及介质。
背景技术
性能合适的材料一直是人类工业发展的重要基础，而新材料应用的探索需要重复进行多次材料合成实验以找到性质合适的材料结构，随着自动化机器人系统的发展，自动化机器人系统被应用于化学合成实验领域，有效减轻了研究人员的负担，现有的自动实验机器人系统通常被设置为根据研究人员输入的目标材料执行相关的实验步骤以获取产物，但目标材料需要由研究人员设定，而研究人员往往更加相信自身经验判断，难以跳出固有思维的局限进行探索，减少了寻找新材料的机会。近些年来人工智能的迅猛发展极大地推进了众多领域的迭代，其中就包括材料研发领域。以往这一领域的探索主要依赖于研究人员的个人经验，而研究人员又较难对经验范围以外的探索产生信任，导致错失潜在的发现新材料的基于，而人工智能可以从定性以及定量的角度去搜寻某一系统的客观规律，且不被人的个人意识所干扰。而材料结构和材料性能之间的映射规则恰好是能够通过实验或计算进行定性和定量分析的，因此一种能够打破预定义障碍的基于人工智能的材料设计方法能够实现更高效的材料研发探索。
发明内容
为了解决上述技术问题，本发明第一方面公开了一种基于人工智能的材料设计方法，所述方法包括：
训练人工智能模块，以使人工智能模块获得材料结构与材料性质之间的映射规则；
向训练完成的人工智能模块中输入期望性能参数；
所述人工智能模型输出满足所述期望性能参数的目标材料。
进一步的实施例，所述人工智能模块包括监督模型以及生成模型，所述生成模型包括顺序连接的编码器及解码器，所述人工智能模块获得材料结构与材料性质之间的映射规则的训练方法包括以下步骤：所述编码器将输入的材料以向量X的形式表现，所述向量X中的每个元素代表化学元素的原子数以确定的顺序排列；所述编码器将输入向量X映射为压缩的潜在向量V，所述解码器将潜在向量V映射为重建的所述材料以生成的向量Z的形式表现；所述生成模型计算所述向量X和向量Z之间欧氏距离的平方，以获得第一损失函数；所述监督模型计算所述潜在向量V中被事先指定为代表材料性质预测值的至少一项元素y以及材料性质实际值Y之间差值的平方，以获得第二损失函数；在训练阶段，训练所述生成模型使所述第一损失函数和第二损失函数之和最小化，以获得材料结构与材料性质之间的映射规则；在使用阶段，将包含期望性能参数的潜在向量V输入给所述解码器，由所述解码器输出目标材料以生成的向量Z的形式表现。
进一步的实施例，向所述人工智能模块输入期望性能参数时，将潜在向量V中的至少一项元素y指定为所述期望性能参数，并通过所述解码器输出包含有所述期望性能参数的目标材料。
进一步的实施例，所述潜在向量V中包括至少一项代表期望性能参数的元素y以及若干随机项，所述随机项的数值范围通过所述人工智能模块在训练过程中产生并记录。
本发明第二方面公开了一种基于人工智能的材料设计装置，所述装置包括人工智能模块；所述人工智能模块包括监督模型以及生成模型，所述生成模型包括编码器及解码器，所述编码器用于将输入的材料以向量X的形式表现，所述向量X中的每个元素代表化学元素的原子数以确定的顺序排列；所述编码器将输入向量X映射为压缩的潜在向量V，所述解码器将潜在向量V映射为重建的所述材料以生成的向量Z的形式表现；所述生成模型计算所述向量X和向量Z之间欧氏距离的平方，以获得第一损失函数；
所述监督模型用于计算所述潜在向量V中被事先指定为代表材料性质预测值的至少一项元素y以及材料性质实际值Y之间差值的平方，以获得第二损失函数。
本发明第三方面公开了一种基于人工智能的材料设计推荐终端，所述终端包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如本发明第一方面所述的基于人工智能的材料设计方法。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于人工智能的材料设计方法中的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
本发明通过训练人工智能模块获取材料结构-材料性能的映射规则，使得人工智能模块能够根据研究人员设置的期望性能参数以及映射规则自行探索具有期望性能参数的目标材料，避免了现有技术中由于研究人员根据自身经验探索造成的思维限制，进而极大提高了发现新材料应用的机会。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于人工智能的材料设计方法的流程示意图；
图2是本发明实施例公开的一种基于人工智能的材料设计装置的结构示意图；
图3是本发明实施例公开的一种基于人工智能的材料设计终端的结构示意图；
图4是本发明实施例公开的一种计算机存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明通过训练人工智能模块获取材料结构-材料性能的映射规则，使得人工智能模块能够根据研究人员设置的期望性能参数以及映射规则自行探索具有期望性能参数的目标材料，避免了现有技术中由于研究人员根据自身经验探索造成的思维限制，进而极大提高了发现新材料应用的机会。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于人工智能的材料设计方法的流程示意图。如图1所示，该基于人工智能的材料设计方法可以包括以下操作：
101训练人工智能模块，以使人工智能模块获得材料结构与材料性质之间的映射规则；具体的实施例，如图2所示，人工智能模块包括监督模型以及生成模型，生成模型包括编码器及解码器，编码器用于将输入的材料以向量X的形式表现，向量X中的每个元素代表化学元素的原子数以确定的顺序排列，即材料的组成与结构；编码器将输入向量X映射为压缩的潜在向量V，解码器将潜在向量V映射为生成的向量Z；生成模型计算向量X和向量Z之间欧氏距离的平方，以获得第一损失函数loss_rebuilt，也即重建损失函数；监督模型用于计算潜在向量V中被事先指定为代表材料性质预测值的至少一项元素y以及材料性质实际值Y之间差值的平方，以获得第二损失函数loss_property，也即性质损失函数；在训练阶段，训练生成模型使第一损失函数loss_rebuilt和第二损失函数loss_property之和最小化；在使用阶段，将包含期望性能参数的潜在向量V输入给解码器，由解码器输出目标材料以生成的向量Z的形式表现。可以理解的是，人工智能模块通过结构-性质的双向训练，将材料结构与材料性质之间的映射规则进行定性和定量的分析。因此人工智能模块能够更加精确的获得材料结构与材料性质之间的关系，更容易打破研究人员预设置目标材料导致的局限。
102向训练完成的人工智能模块中输入期望性能参数；可以理解的是，在实际应用中，人工智能模块在训练后，研究人员只需设置材料的期望性能参数y，如导电率，该操作通过设置潜在向量V中代表材料性能预测值的至少一项元素y得以实现，理论上，潜在向量V中的任意一项或多项元素均可被指定为代表材料性能预测值的y，对于潜在向量V中的其他元素，因为它们也包含了关于材料组成和结构的信息，因此在训练过程中也会记录其数值范围，并作为生成时的随机项。
103所述人工智能模型输出满足所述期望性能参数的目标材料。通过输入期望性能参数y，我们能够获得一个包含了期望性能参数y以及其他随机项的合成向量，将其输入生成模型的解码器中，获取可能具有期望性能参数的材料结构，通常情况下，生成的目标材料有3～5个，以提高找到需要材料的可能性。
本发明实施例至少具有以下有益效果：
(1)通过训练人工智能模块获取材料结构-材料性能的映射规则，使得人工智能模块能够根据研究人员设置的期望性能参数以及映射规则自行探索具有期望性能参数的目标材料，避免了现有技术中由于研究人员根据自身经验探索造成的思维限制，进而极大提高了发现新材料应用的机会。
(2)通过使第一损失函数与第二损失函数之和最小化，人工智能模块所输出的目标材料性能更加贴合研究人员需求，提高材料寻找效率。
实施例二
请参阅图2，图2是本发明实施例公开的一种基于人工智能的材料设计装置的结构示意图。如图2所示，该基于人工智能的材料设计装置可以包括人工智能模块；所述人工智能模块包括监督模型以及生成模型，所述生成模型包括编码器及解码器，所述编码器用于将输入的材料以向量X的形式表现，所述向量X中的每个元素代表化学元素的原子数以确定的顺序排列；所述编码器将输入向量X映射为压缩的潜在向量V，所述解码器将潜在向量V映射为重建的所述材料以生成的向量Z的形式表现；所述生成模型计算所述向量X和向量Z之间欧氏距离的平方，以获得第一损失函数；所述监督模型用于计算所述潜在向量V中被事先指定为代表材料性质预测值的至少一项元素y以及材料性质实际值Y之间差值的平方，以获得第二损失函数。
对于上述基于人工智能的材料设计装置的具体描述可以参照上述基于人工智能的材料设计方法的具体描述，在此不再一一赘述。
实施例三
请参阅图3，图3是本发明实施例公开的一种基于人工智能的材料设计终端的结构示意图。如图3所示，该基于人工智能的材料设计终端可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的基于人工智能的材料设计方法中的步骤。
实施例四
请参阅图4，图4是本发明实施例公开的一种计算机存储介质的结构示意图。如图4所示，本发明实施例公开了一种计算机存储介质401，计算机存储介质401存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的基于人工智能的材料设计方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-OnlyMemory，ROM)、随机存储器(RandomAccessMemory，RAM)、可编程只读存储器(ProgrammableRead-onlyMemory，PROM)、可擦除可编程只读存储器(ErasableProgrammableReadOnlyMemory，EPROM)、一次可编程只读存储器(One-timeProgrammableRead-OnlyMemory，OTPROM)、电子抹除式可复写只读存储器(Electrically-ErasableProgrammableRead-OnlyMemory，EEPROM)、只读光盘(CompactDiscRead-OnlyMemory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于人工智能的材料设计方法、装置、终端以及存储介质所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (7)

1.一种基于人工智能的材料设计方法，其特征在于，所述方法包括：
训练人工智能模块，以使人工智能模块获得材料结构与材料性质之间的映射规则；
向训练完成的人工智能模块中输入期望性能参数；
所述人工智能模型输出满足所述期望性能参数的目标材料。
2.根据权利要求1所述的基于人工智能的材料设计方法，其特征在于，所述人工智能模块包括监督模型以及生成模型，所述生成模型包括顺序连接的编码器及解码器，所述人工智能模块获得材料结构与材料性质之间的映射规则的训练方法包括以下步骤：
所述编码器将输入的材料以向量X的形式表现，所述向量X中的每个元素代表化学元素的原子数以确定的顺序排列；所述编码器将输入向量X映射为压缩的潜在向量V，所述解码器将潜在向量V映射为重建的所述材料以生成的向量Z的形式表现；所述生成模型计算所述向量X和向量Z之间欧氏距离的平方，以获得第一损失函数；
所述监督模型计算所述潜在向量V中被事先指定为代表材料性质预测值的至少一项元素y以及材料性质实际值Y之间差值的平方，以获得第二损失函数；
在训练阶段，训练所述生成模型使所述第一损失函数和第二损失函数之和最小化，以获得材料结构与材料性质之间的映射规则；在使用阶段，将包含期望性能参数的潜在向量V输入给所述解码器，由所述解码器输出目标材料以生成的向量Z的形式表现。
3.根据权利要求2所述的基于人工智能的材料设计方法，其特征在于，向所述人工智能模块输入期望性能参数时，将潜在向量V中的至少一项元素y指定为所述期望性能参数，并通过所述解码器输出包含有所述期望性能参数的目标材料。
4.根据权利要求3所述的基于人工智能的材料设计方法，其特征在于，
所述潜在向量V中包括至少一项代表期望性能参数的元素y以及若干随机项，所述随机项的数值范围通过所述人工智能模块在训练过程中产生并记录。
5.一种基于人工智能的材料设计装置，其特征在于，所述装置包括人工智能模块；
所述人工智能模块包括监督模型以及生成模型，所述生成模型包括编码器及解码器，所述编码器用于将输入的材料以向量X的形式表现，所述向量X中的每个元素代表化学元素的原子数以确定的顺序排列；所述编码器将输入向量X映射为压缩的潜在向量V，所述解码器将潜在向量V映射为重建的所述材料以生成的向量Z的形式表现；所述生成模型计算所述向量X和向量Z之间欧氏距离的平方，以获得第一损失函数；
所述监督模型用于计算所述潜在向量V中被事先指定为代表材料性质预测值的至少一项元素y以及材料性质实际值Y之间差值的平方，以获得第二损失函数。
6.一种基于人工智能的材料设计终端，其特征在于，所述终端包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-4任一项所述的基于人工智能的材料设计方法。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的基于人工智能的材料设计方法。
CN202310744159.3A 2023-06-08 2023-06-21 一种基于人工智能的材料设计方法、装置、终端及介质 Pending CN117766070A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202363506846P 2023-06-08 2023-06-08
US63/506,846 2023-06-08

Publications (1)

Publication Number Publication Date
CN117766070A true CN117766070A (zh) 2024-03-26

Family

ID=89578739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310744159.3A Pending CN117766070A (zh) 2023-06-08 2023-06-21 一种基于人工智能的材料设计方法、装置、终端及介质

Country Status (1)

Country Link
CN (1) CN117766070A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368041A (zh) * 2020-02-12 2020-07-03 北京科技大学 材料的确定方法及装置
CN112270951A (zh) * 2020-11-10 2021-01-26 四川大学 基于多任务胶囊自编码器神经网络的全新分子生成方法
CN112599208A (zh) * 2019-10-02 2021-04-02 三星电子株式会社 生成目标材料属性的材料结构的机器学习系统和方法
CN114496125A (zh) * 2022-02-10 2022-05-13 西南交通大学 一种相似材料的制备方法、装置、设备及可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112599208A (zh) * 2019-10-02 2021-04-02 三星电子株式会社 生成目标材料属性的材料结构的机器学习系统和方法
US20210103822A1 (en) * 2019-10-02 2021-04-08 Samsung Electronics Co., Ltd. Generative structure-property inverse computational co-design of materials
CN111368041A (zh) * 2020-02-12 2020-07-03 北京科技大学 材料的确定方法及装置
CN112270951A (zh) * 2020-11-10 2021-01-26 四川大学 基于多任务胶囊自编码器神经网络的全新分子生成方法
CN114496125A (zh) * 2022-02-10 2022-05-13 西南交通大学 一种相似材料的制备方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN117444948A (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
Chang et al. CLEASE: a versatile and user-friendly implementation of cluster expansion method
Novikov et al. The MLIP package: moment tensor potentials with MPI and active learning
Li et al. DeepScaffold: a comprehensive tool for scaffold-based de novo drug discovery using deep learning
Chanussot et al. Open catalyst 2020 (OC20) dataset and community challenges
Hedar et al. Hybrid simulated annealing and direct search method for nonlinear unconstrained global optimization
Dawson-Elli et al. Data science approaches for electrochemical engineers: an introduction through surrogate model development for lithium-ion batteries
Song et al. Computational discovery of new 2D materials using deep learning generative models
Al-Assam et al. The tensor network theory library
Cruz et al. Efficient differential evolution algorithms for multimodal optimal control problems
Forman Putting metaclasses to work
Piterbarg et al. The Laplace method for probability measures in Banach spaces
Chan Low entanglement wavefunctions
Cheng et al. Post-density matrix renormalization group methods for describing dynamic electron correlation with large active spaces
Türtscher et al. Pathfinder─ Navigating and Analyzing Chemical Reaction Networks with an Efficient Graph-Based Approach
Azam et al. A novel method for inference of acyclic chemical compounds with bounded branch-height based on artificial neural networks and integer programming
Gunst et al. Three-legged tree tensor networks with SU (2) and molecular point group symmetry
CN117766070A (zh) 一种基于人工智能的材料设计方法、装置、终端及介质
Martin Lattice enumeration for inverse molecular design using the signature descriptor
Kvasnicka et al. Simulated annealing construction of molecular graphs with required properties
Zhu et al. A method for molecular design based on linear regression and integer programming
CN116933037A (zh) 一种基于多模型融合的光伏出力预测方法及相关装置
Stoyan et al. Packing identical spheres into a rectangular parallelepiped
Hattori et al. Theoretical and evolutionary parameter tuning of neural oscillators with a double-chain structure for generating rhythmic signals
Poelking et al. BenchML: an extensible pipelining framework for benchmarking representations of materials and molecules at scale
Su et al. Deep learning in QSPR modeling for the prediction of critical properties

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination