Artificial Intelligence for Materials Discovery, Development, and Optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This review highlights the recent transformative impact of artificial intelligence (AI), machine learning (ML), and deep learning (DL) on materials science, emphasizing their applications in materials discovery, development, and optimization. AI-driven methods have revolutionized materials discovery through structure generation, property prediction, high-throughput (HT) screening, and computational design while advancing development with improved characterization and autonomous experimentation. Optimization has also benefited from AI's ability to enhance materials design and processes. The review will introduce fundamental AI and ML concepts, including supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning (RL), alongside advanced DL models such as recurrent neural networks (RNNs), convolutional neural networks (CNNs), graph neural networks (GNNs), generative models, and Transformer-based models, which are critical for analyzing complex material data sets. It also covers core topics in materials informatics, including structure-property relationships, material descriptors, quantitative structure-property relationships (QSPR), and strategies for managing missing data and small data sets. Despite these advancements, challenges such as inconsistent data quality, limited model interpretability, and a lack of standardized data-sharing frameworks persist. Future efforts will focus on improving robustness, integrating causal reasoning and physics-informed AI, and leveraging multimodal models to enhance scalability and transparency, unlocking new opportunities for more advanced materials discovery, development, and optimization. Furthermore, the integration of quantum computing with AI will enable faster and more accurate results, and ethical frameworks will ensure responsible human-AI collaboration, addressing concerns of bias, transparency, and accountability in decision-making.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle