人类文明的发展与材料息息相关。随着科技进步，材料需求日益严格，许多行业面临性能限制。Phaseshift Technologies利用AI加速新材料开发，提升效率、降低成本，推动航空、汽车和能源等领域的创新。

涡轮叶片在高温下工作，传统镍基超合金性能已接近极限。新型难熔高熵合金（RHEAs）和复合合金（RCCAs）展现出优异的抗氧化性能。研究团队利用GBDT技术成功预测这些材料的性能，推动了材料科学的发展。中国在高温合金领域快速进步，AI技术助力材料设计与优化。

研究提出了一种结合机器学习与遗传搜索的方法，以优化耐火高熵合金（RHEAs）的成分。合成的ZrNbMoHfTa合金在1200°C下展现出接近940 MPa的屈服强度和17.2%的室温延展性，显示出其在高温应用中的潜力。

本文探讨了利用晶体图神经网络（CGNN）和机器学习技术预测高熵合金的材料属性。研究提出了数值推理方法和图神经网络模型，以解决材料设计中的假设局限性，推动人工智能在材料发现中的应用。通过构建知识图谱和多智能体系统，提升了材料设计的准确性和效率。

本文介绍了一种基于深度学习的微结构分类模型，能够快速、准确地分类低碳钢的微观组织，准确率达到93.94%。研究还探讨了利用卷积神经网络和多模态显微镜技术提高晶界检测精度的方法，并提出了一种基于变分自编码器的模型，以优化材料结构与性能的关系。这些技术为钢材检测和材料优化提供了可靠的解决方案。

本文探讨了利用晶体图神经网络（CGNN）和机器学习技术预测材料属性的方法，提出了基于数据驱动的模型，能够高效预测晶体结构的弹性性质和高熵合金的相。通过新型深度学习方法DeepCrysTet和大型语言模型（LLM-Prop），在晶体性质预测方面取得了显著进展，并展示了跨模态知识图谱的构建及其在材料研究中的应用，强调了模型的泛化能力。

用视频视觉转换器和高速成像，通过研究熔融金属动力学的时间特征，我们的方法可以实现在现有商业机器上的原位工艺映射，用于高效地定量缺陷和变异性分析。

研究人员发现扩散模型可加速电子结构计算、构象弛豫和分子生成，学习位能曲面的一阶和高阶结构，提高密度泛函理论的弛豫速度。

在亚洲自行车展参加活动，获一等奖品「德国Dorcus  钪合金...