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生成材料发现与设计过程中的可行假设的新方法，并创建了新数据集以测试这些假设，旨在加速材料发现进程。

本研究提出了Darwin 1.5，一种大型语言模型，旨在解决材料发现中的描述符复杂性问题，通过自然语言输入提高预测准确性，最高提升可达60%。

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中流程图和仪表图生成的难题，展示了高上下文准确性，证明了其在工业应用中的实用性。

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，显著提升材料发现中稳定材料和新颖晶体的生成速度，并降低计算成本。

本文介绍了SciAgents方法，利用本体知识图谱和多智能体系统解决了人工智能在科学理解方面的挑战。研究发现，该方法揭示了生物材料领域中的跨学科关系，为材料发现和先进材料的发展提供了新途径。

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。