GNoME：图网络驱动的无机材料发现
GNoME 在公开晶体数据库（Materials Project、OQMD 等）上训练图网络，通过结构管线与 成分管线生成候选结构，用 DFT 计算验证，再把结果回流进训练——形成一个主动学习飞轮。
报告结果：预测 220 万个结构，凸包上新增 38.1 万个稳定条目，把已知稳定材料数量 从约 4.8 万提升到约 42.1 万。外部实验室已合成出其中数百种预测化合物。
对 CAE 工程师的意义：这是”学习型原子间势 + 第一性原理验证”能搜索远超暴力枚举范围的 最有力证明——同样的范式可用于合金、催化剂与电池材料的筛选。
标签: 材料发现图神经网络DFT晶体主动学习
相关条目
- GraphCast：数据驱动天气预报 · 基于图神经网络的中期天气预报模型，在多项指标上超过传统数值预报，且单次预测在分钟级完成，是物理 AI 替代高成本数值模式的代表案例。
- HydroGym：强化学习流体控制平台 · 面向流动控制的开源强化学习平台，集成 6 类 CFD 求解器后端与数十个预配置环境，用 RL 训练出的控制策略在机翼上实现零样本部署，显著降低表面摩擦阻力。
- 物理信息 CNN 预测电池包温度场 · 将热传导方程以有限差分形式写入损失函数的物理信息卷积神经网络，作为电池包液冷系统温度场代理模型，在同等训练数据下精度优于纯数据驱动方法。
- MACE-MP-0：原子尺度通用机器学习势 · 基于等变图神经网络的通用原子间势基础模型，在 15 万无机晶体公开数据上训练，开箱即可对固体、液体、气体与化学反应运行稳定分子动力学，并可少量数据微调至第一性原
- TopoDiff：扩散模型驱动的拓扑优化 · MIT 提出的条件扩散模型拓扑优化方法，用代理模型引导生成过程同时兼顾力学性能与可制造性，在柔度误差与不可行样本比例上大幅优于同类 GAN 方法。