Конденсированная материя > Наука о материалах [представлена 15 сентября 2026 года] Название: Roust and Effective AI Frameworks for Squalable Material Design and Provisionion View PDF HTML (экспериментальный) Резюме: Эта диссертация разрабатывает надежные и эффективные рамки АИ для ускорения процесса обнаружения кристаллов путем рассмотрения обоих основных этапов трубопровода - проекта материалов: прогнозирование кристального имущества и формирование структуры. С учетом высокой вычислительной стоимости функционального теории плотности (ДФТ) и ограниченности имеющихся данных о помеченных материалах в диссертации изучаются вопросы изучения графического представления, предварительной подготовки кадров, мультимодального обучения и разработки моделей для масштабируемых материалов. Для предсказания имущества в диссертации впервые вводятся CrysXPP, которые учатся передаваемым кристаллическим представлениям с помощью неконтролируемого автоматизированного кодирования графа, что снижает зависимость от крупных наборов данных, подлежащих маркировке. Затем он предлагает CrysGN, крупномасштабную систему предподготовки графиков с самоконтролями, которая охватывает атомные соединения, химические свойства и глобальную структурную информацию и передает эти знания вниз по течению достопримечательностям путем дистилляции знаний. CrysMNet дополнительно обогащает кристаллические представления путем совместного моделирования структуры графиков и текстовых описаний, тем самым используя как местные…
Твердые и эффективные рамки ИИ для разработки поддающихся масштабированию материалов и прогнозирования имущества
arXiv: 2609.17646v1 Аннонс Тип: перекрестное резюме. Эта диссертация предусматривает создание надежных и эффективных рамок АИ для ускорения процесса обнаружения кристалловых материалов путем рассмотрения обоих основных этапов трубопровода, предназначенного для проектирования материалов: прогнозирование кристального имущества и формирование структуры криста. С учетом высокой вычислительной стоимости функционального теории плотности (ДФТ) и ограниченности имеющихся данных о помеченных материалах в диссертации изучаются вопросы изучения графического представления, предварительной подготовки кадров, мультимодального обучения и разработки моделей для масштабируемых материалов. Для предсказания имущества в диссертации впервые вводятся CrysXPP, которые учатся передаваемым кристаллическим представлениям с помощью неконтролируемого автоматизированного кодирования графа, что снижает зависимость от крупных наборов данных, подлежащих маркировке. Затем в нем предлагается CrysGN, крупномасштабная система предварительного обучения с самоконтролем графа, которая охватывает атомную связь, химические характеристики и глобальную структурную информацию, а также передает эти знания внизу прогнозаторам имущества