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。

本研究提出了一种名为CA-SMART的新型主动学习框架，旨在资源限制下加速先进材料的发现。该框架通过引入信心调整惊喜度量，动态平衡探索与利用，从而提高试验的准确性和效率，超越传统方法。

本研究提出了一种利用大型语言模型（LLM）生成材料发现与设计假设的新方法。通过与材料科学专家合作，创建了包含真实目标和约束的数据集，以测试LLM生成的假设，并提出可扩展的评估指标，旨在加速材料发现与设计进程。

本研究提出了一种自主代理框架，旨在解决材料发现到工业生产过程中生成流程图和仪表图的困难。该框架结合知识获取和生成的两阶段方法，实现了自动化图生成，并在实际应用中展现了高准确性。

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。

本研究提出FlowLLM，一种结合大型语言模型与黎曼流匹配的生成模型，旨在解决材料发现中的挑战。该模型提高了稳定材料和新颖晶体的生成速率，降低了计算成本，对化学空间的探索具有重要意义。

本文介绍了一种基于最大值熵搜索的多保真度贝叶斯优化方法（MF-MES），通过优化函数值的熵来简化计算，并提出了并行化方案。研究探讨了贝叶斯优化在材料发现中的应用，利用低保真数据提升性能，并评估其在化学发现中的有效性，显示出显著的发现效率提升。

本文介绍了一种基于自然语言嵌入的材料发现框架，专注于热电材料的高性能识别。研究分析了两篇重要文献的可复现性，提出了MatInFormer模型用于材料属性预测，并评估了大型语言模型在材料科学中的应用，强调了其在知识提取和任务自动化中的潜力。

本研究介绍了Gryffin框架，利用机器学习加速分子和材料的发现。通过小波散射变换和特征选择，提高了材料性质预测的准确性，并探讨了机器学习在表面相图预测和晶体材料建模中的应用，展示了其在材料科学中的潜力和效率。

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。

本文介绍了贝叶斯优化和机器学习在半导体材料设计与制备中的应用，包括薄膜成分控制、基片脱氧和材料发现等创新方法。这些技术推动了光电子和微电子行业的研究，显著提高了材料优化的效率和准确性。

本文探讨了基于机器学习的势场（MLFFs）在分子模拟中的应用，特别是EL-MLFFs模型通过图神经网络优化原子间相互作用，提高了力预测的准确性。同时，研究展示了融合数据学习策略在钛的机器学习势能模型中的有效性，适用于多种材料。此外，sGDML模型和BETE-NET深度学习模型在材料发现和超导体筛选中展现了良好潜力。

GNoME是一个新的深度学习工具，发现了220万种新晶体，其中38万种可用于未来技术。它可以预测新材料的稳定性，可能应用于超导体、超级计算机和电动汽车等领域。GNoME使用图网络进行材料探索，可能带来突破性进展，如下一代电子产品、革命性储能、先进光伏电池、量子计算材料、高温超导体等。