应用场景：相场模拟；铁电、铁磁等介电压电材料的微观畴结构演化；整体性质计算

关键性能：实现从合金凝固到铁电、铁磁畴结构演化的模拟； 计算扩散系数、热扩散系数、导电系数等多种材料性能参数； 模拟材料微观结构与性能随时间的演化及在外部机械、电或磁场下的整体反应。

标签属性：相场模拟

应用场景：数据处理与结构解析

关键性能：在186组基准测试中，AutoPD的解析成功率超过92%。

标签属性：晶体衍射

应用场景：该工作对于云BMS系统利用量子计算能力进行SOH估计具有重要意义。

关键性能：具有良好的估计准确性、鲁棒性和泛化性。

标签属性：机器学习 锂离子

应用场景：新材料设计与筛选、非常规磁性材料研究

关键性能：识别磁性材料的自旋群和磁群对称性，并预测其物理效应

标签属性：磁性材料

应用场景：冷冻电子断层成像

关键性能：能够在多种细胞切片样品的tomogram中清晰展示膜表面的蛋白分布；提供每个颗粒的初始取向用于辅助膜蛋白STA的计算

标签属性：冷冻电子断层成像

应用场景：相场

关键性能：适用于多元多相、多晶粒和多物理场材料体系

标签属性：相场

应用场景：深度学习

关键性能：由此方法得到的原子轨道基组哈密顿量不仅可以准确地重复出平面波方法计算得到的电子结构信息，还能够直接适配原有的DeepH框架并训练得到准确的神经网络模型。

标签属性：机器学习

应用场景：深度学习电子结构计算

关键性能：能在零训练数据的情形下利用基本物理原理实现DeepH优化学习。该方法通过在神经网络中嵌入物理规则，巧妙地将神经网络与变分DFT算法结合，形成了一种名为“神经网络DFT”的无监督学习框架。DeepH-Zero在模型精度和泛化能力方面显著超越了传统监督学习框架，它能够在不依赖任何训练计算数据的情况下，实现对材料物性的精准预测

标签属性：机器学习

应用场景：能量和热化学性质、几何构型优化、分子动力学和量子动力学模拟

关键性能：旨在利用机器学习的强大功能来增强典型的计算化学模拟，并创建复杂的工作流程

标签属性：机器学习

应用场景：有机氟化合物

关键性能：为科研人员、教育工作者和行业专业人士提供专业、可靠、时新和丰富的含氟化试剂的相关信息

标签属性：有机氟化合物

应用场景：计算模拟

关键性能：利用蒙特卡洛模拟计算居里温度、Neel温度

标签属性：计算模拟

应用场景：晶体结构预测

关键性能：支持三维，二维晶体，分子晶体，表面重构，团簇，受限空间等体系的定组分和变组分搜索

标签属性：晶体结构预测 机器学习 材料设计

应用场景：自动化实验平台

关键性能：用ChatGPT作为核心串联起①真实世界的机械臂进行自动化实验，②本地或网上专业的材料数据库，③优化材料配方的主动学习算法。

标签属性：机器学习

应用场景：HAADF-STEM图像模拟

关键性能：快速模拟HAADF-STEM图像。可以任意改变原子模型方向，并且实时产生相应的HAADF-STEM图像。

标签属性：程序 HAADF 电镜 模拟 球差

应用场景：分子动力学模拟

关键性能：速度高、内存（显存）节约、安装简易

标签属性：机器学习 分子动力学模拟

应用场景：固体物理

关键性能：建立了非磁性化学计量材料的全拓扑带目录

标签属性：固体物理 非磁性晶体 拓扑绝缘体 拓扑晶体绝缘体

应用场景：锂电池

关键性能：实现复杂材料系统的基于文本挖掘的高效知识融合和推理与预测

标签属性：锂离子电池 机器学习

应用场景：质谱谱图解析

关键性能：开发出非糖库依赖的肽段序列鉴定方法，实现了未知糖链肽段及其上可能带有的修饰基团的鉴定

标签属性：质谱

应用场景：能带图绘制脚本

关键性能：能带图绘制脚本

标签属性：第一性原理

应用场景：材料基因工程与材料信息学

关键性能：解决了系列材料信息学研究面临的关键技术难题

标签属性：人工智能