本文解决了晶体材料反向设计过程中空间群对材料属性影响的挑战。提出的SGEquiDiff模型以空间群对称性为基础，能够有效地处理晶体结构生成，利用变换不变的生成模型进行扩散。研究显示，该模型在标准基准数据集上取得了先进的性能，具有重要的实际应用潜力。

X射线衍射（XRD）在晶体学中至关重要，但纳米晶体结构解析一直面临挑战。哥伦比亚大学和斯坦福大学的研究人员提出了基于扩散模型的人工智能解析方法PXRDnet，成功解析了200种不同的纳米晶体结构，显著提高了解析精度，为材料科学提供了新工具，推动了相关领域的创新。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化爬取流程。

光驱动有机晶体在光照下可变形，适合制造轻质可控执行器。日本早稻田大学通过机器学习优化分子设计，将阻挡力提升至37.0mN，显著增强了光电机械分子晶体的应用潜力。研究揭示了分子结构与杨氏模量的关系，为材料优化提供了新方法。

本研究探讨大型语言模型与准晶体的类比，强调局部约束下的全局一致性，并提出评估生成的准结构语言模式的新方法。

本研究针对生成性人工智能在材料发现中的优势与传统方法的差距进行了探讨。提出了两种基准方法并与三种生成模型进行了比较，发现生成模型能够有效提出新颖的结构框架并针对特定属性进行优化，同时经过后续的稳定性和属性筛选后，所有方法的成功率显著提高，从而为材料发现提供了更有效的生成策略。

本研究解决了晶体材料属性预测中，已知材料数量与特定属性数量不匹配的问题。提出了一种新的自监督学习策略——晶体去噪自监督学习（CDSSL），通过恢复扰动结构的任务进行模型预训练。结果表明，CDSSL模型在各种材料类型、属性和数据集规模上均优于未采用自监督学习的模型。

本文介绍了一种基于扩散模型和机器学习的新型晶体结构生成方法，能够生成稳定的无机材料。该方法通过学习材料数据分布，优化特定性质，显著提高了晶体结构预测的准确性和效率，推动了材料设计的进展。

本文介绍了多种基于Transformer架构的模型，如ComFormer、Matformer和CrystalBERT，应用于晶体材料设计。这些模型通过有效编码晶体结构和物性，提高了预测准确性和材料发现效率，并在不同基准数据集上表现出优越性能。研究强调了周期性不变性和局部化学环境对全局物性的影响，为新型无机材料的发现提供了重要方法。

本研究介绍了一种基于 Transformer 的适应性框架 CrystalBERT，该框架整合了空间群、元素和晶胞信息，能够准确预测各种物理重要性质，包括拓扑性质和超导过渡温度等，同时提供具有洞察力的对目标物性影响最显著的特征的物理解释。通过结合各种特征，模型在拓扑分类中实现了 91% 的高准确率，超过以往研究，并识别了先前被错误分类的拓扑材料，进一步证明了我们模型的有效性。

本文介绍了在家培育透明氯化钠晶体的方法，包括制作饱和盐溶液、培育籽晶和培育大型晶体的技巧。文章还提到了晶体形态和影响晶体生长的因素。作者鼓励读者尝试在家培育盐晶体，并分享了其他种植水晶的指南。

本研究提出了Matformer，一种用于周期性图表示学习的转换器架构，具备周期性不变性和显式重复模式编码。实验结果显示，Matformer在多个基准数据集上优于现有方法，强调了周期性不变性在晶体表示学习中的重要性。

Photonic Crystal Surface Emitting Lasers (PCSEL) 的逆向设计可以通过利用强化学习和 Transformer 结构提高性能和数据效率。

结晶是众多科学和工业应用的基础。本文将空间群约束化简为容易手工制作到生成过程的等价形式，并提出了一种考虑空间群约束的新型扩散模型 DiffCSP++。实验证实了空间群约束的参与对结晶结构预测、原子论结晶生成和可控生成的有益影响，并展示了 DiffCSP++ 在这些方面的良好性能。

这篇文章介绍了一种基于双尺度邻域划分机制的晶体结构建模和属性预测方法。通过处理节点信息和结构信息，提高了预测准确性和推理时间。在两个大规模材料基准数据集上，该方法取得了最先进的属性预测结果。

本文提出了一种新的注视模型，用于语义分割。该模型使用多尺度和上下文特征进行预测，并通过骨骼卷积神经网络框架输入不同尺度的表示。模型的位置注视分支学习到每个像素位置上的多尺度特征的软加权，并添加了一个重新校准分支来重新校准每个类别的分数图。实验结果表明，该模型在PASCAL VOC 2012和ADE20K数据集上取得了有竞争力的结果。