研究团队提出了一种基于多模态机器学习的新方法，通过合成后信息预测金属有机框架（MOFs）的潜在性能和应用，显著缩短了从合成到应用的周期。该模型在实验噪声和结构缺陷下表现出良好的鲁棒性，能够准确匹配MOFs与应用场景，推动材料科学的智能化发展。

该研究提出了InvDesFlow-AL框架，通过主动学习优化材料生成，显著提高了晶体结构预测的准确性，均方根误差为0.0423 Å，提升幅度达到32.96%。该方法在识别超高转变温度的BCS超导体方面表现优异，展示了其在材料发现中的潜力。

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。

在人工智能与材料科学结合的背景下，高质量材料数据集成为研究核心。数据的准确性和可重复性直接影响材料属性预测与功能发现。材料数据高度结构化，需遵循科学流程以确保可信度。HyperAI整理了多个重要材料数据集，支持深入研究。

本研究提出了一种基于Transformer增强的变分自编码器（TransVAE-CSP），用于晶体结构预测。该方法结合自适应距离扩展与不可约表示，有效捕捉晶体结构的周期性和对称性，显著提升了重建和生成效果。实验结果表明，TransVAE-CSP在多个数据集上优于现有方法，成为晶体结构设计和优化的重要工具。

CrySPAI是一款基于人工智能的晶体结构预测软件，结合了进化优化算法、密度泛函理论和深度神经网络，显著提高了无机材料稳定晶体结构的预测效率和准确性，克服了现有方法在未知领域的局限性。

本研究提出了一种晶体DiT模型，能够有效地将材料属性映射到晶体结构，并结合大语言模型的对称性信息生成所需的晶体结构。实验验证显示该模型表现优异，具有广泛的应用潜力。

本研究构建了元素属性知识图谱，并提出了多模态融合框架ESNet，将元素属性与晶体结构特征结合。实验结果表明，该方法在带隙预测中表现优异，显著提升了晶体材料性能预测的准确性和全面性。

本研究提出了一种新型条件生成方法，用于新材料设计。该方法通过条件结构修改和生成，能够在无需超级计算机的情况下，从给定性能生成满足要求的晶体结构。研究表明，该方法在材料特性生成上具有41%和82%的准确率，展现出在材料发现中的潜力。

新型深度学习算法在药物发现中表现优异，但合成难度较大。研究提出了基于分子图的生成模型Modof及其衍生模型，以优化分子设计。此外，开发了基于变分自编码器的GM方法，能够生成高亲和力分子。研究还探讨了生成模型在新晶体结构设计中的应用，提出了生成性层次材料搜索（GenMS），为复杂结构生成奠定基础。

本研究介绍了CrystalX，一种利用深度学习技术实现超高精度晶体结构解析和误差修正的方法。该方法能够有效识别并纠正文献中的潜在错误，显著提升结构分析效率，为自动化实验室的常规分析开辟新局面。

本研究提出了一种多模态框架，将结构数据与文本描述结合，利用大型语言模型（LLMs）提高材料属性预测的准确性。研究展示了MatInFormer和LLaMP模型在晶体结构和性质预测中的有效性，强调了LLMs在材料科学中的潜力和应用前景。

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。

在电影、游戏、工程和增强/虚拟现实等应用中，生成3D资产具有重要意义。研究人员提出了一种适用于3D扩散模型的新方法，可以实现形状和外观的分离生成。该方法结合了点云和神经辐射场方法，可以独立地对形状和外观进行采样和控制。与其他方法相比，该方法在生成方面具有更高的技术水平。

本研究提出了一种机器学习模型，可准确预测薄膜材料的结晶维度和空间群。通过物理驱动数据扩充策略，解决了数据稀缺问题，使模型具有高精度。