本研究提出了MatPredict数据集，旨在从相机图像中识别室内物体的材料属性，推动消费机器人在室内物体感知方面的进步。

本研究提出了一种将材料属性预测建模为张量补全的新方法，显著提高了设计组合的探索效率。实验结果表明，该方法在材料属性预测中的错误率降低了10-20%，训练速度与传统机器学习模型相当，具有显著的改进潜力。

本研究提出了一种新方法，结合学习方法与渐进可微渲染，通过单张图片预测材料属性，增强光照与材料互动的真实感。

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。

本文探讨了利用晶体图神经网络（CGNN）和机器学习技术预测高熵合金的材料属性。研究提出了数值推理方法和图神经网络模型，以解决材料设计中的假设局限性，推动人工智能在材料发现中的应用。通过构建知识图谱和多智能体系统，提升了材料设计的准确性和效率。

本文探讨了利用晶体图神经网络（CGNN）和机器学习技术预测材料属性的方法，提出了基于数据驱动的模型，能够高效预测晶体结构的弹性性质和高熵合金的相。通过新型深度学习方法DeepCrysTet和大型语言模型（LLM-Prop），在晶体性质预测方面取得了显著进展，并展示了跨模态知识图谱的构建及其在材料研究中的应用，强调了模型的泛化能力。

通过融合物理属性和化学数据，提出了一个多模态深度学习框架，用于预测一种10维丙烯酸聚合物复合材料的物理特性。成功预测了114,210种成分条件下的913,680个物性数据点。推动了对不同材料和更复杂模型的研究，更接近预测所有材料属性的终极目标。

本研究提出了一个多模态深度学习框架，通过融合物理属性和化学数据，成功预测了一种复合材料的物理特性。该框架处理了18维复杂性，预测了913,680个物性数据点。研究推动了对不同材料和更复杂模型的研究，并接近预测所有材料属性的终极目标。

本文介绍了一种新的单阶段框架NePF，用于解决多视图图像中的逆渲染问题。NePF通过统一恢复几何、材质和光照属性，并引入了基于坐标的快速体积物理渲染照明模型。实验结果表明，该方法在恢复几何和材料属性方面具有优越性。