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。

本文介绍了一种基于图神经网络的数值推理方法，用于构建材料知识图谱和预测材料性质。通过处理跨模态数据和挖掘关系，充分利用实验数据。引入了两个新的高熵合金属性数据集，展示了该方法在材料和分子数据集上的改进，强调其应用潜力和普适性。

本文介绍了一种基于变分自编码器 (VAE) 的模型，用于构建前向和逆向的结构-性质联系。该模型通过双层先验条件于回归变量来结合VAE和回归模型，可以用于前向和逆向预测微观结构的属性。实验结果表明，该模型在前向预测方面与最先进的仅前向模型一样准确，并且能够实现所需的属性，避免了昂贵的优化过程。

本研究评估了机器学习模型在预测新颖材料性能方面的表现。发现最先进的图神经网络算法在超出分布的物性预测任务上表现不足。CGCNN、ALIGNN和DeeperGATGNN等模型在超出分布的任务上性能更稳健，并提供了改进性能的见解。

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...