1. 孙宽、陆仕荣、肖泽云 Sci. Adv.: 利用机器学习进行高效无机光伏材料分子设计与效率预测

无机光伏（OPV）电池是一种高效且经济的太阳能转换技术。近年来，OPV电池的研究取得了显著进展，其功率转换效率（PCE）已经超过了17%。过去的研究主要集中在探索新OPV分子结构与光伏性能之间的关系，这一过程通常涉及复杂的化学合成、精确的设备制造、繁琐的纯化步骤及多次实验。

然而，这些传统方法不仅需要大量的时间和资源，而且效率低下。自1973年以来，仅有不到2000种OPV供体分子被合成并测试。重庆大学的孙宽教授、中科院的陆仕荣教授和肖泽云教授合作建立了包含1719个经过实验验证的OPV供体材料的数据库。他们首先研究了分子表达对机器学习（ML）功能的影响。通过测试多种表达方式，包括图像、ASCII字符串、描述符和分子指纹，最终发现指纹表达最为有效，其预测PCE的准确率达到了81.76%。此外，他们还利用了多种ML算法进行分类，发现当处理小规模数据库时，随机森林（RF）模型表现最优。最后，通过合成10种新的OPV供体材料，进一步验证了ML模型的可靠性。

这项研究为OPV领域提供了一种新方法：通过ML模型预先筛选分子设计，再专注于后续实验中经过ML评估的分子，这将极大加速新型高效无机半导体材料的研发进程。

2. Nat. Commun.: 从大量沸石材料合成记录中建立合成与结构关联

随着计算能力的提升、算法的改进以及大量数据的可用性，机器学习已被广泛应用于解决材料科学中的问题。通过利用机器学习，科学家们能够从海量的计算数据中识别出非凡的材料。机器学习同样可以在材料合成过程中发挥重要作用。例如，通过监督学习模型，利用一系列综合描述符，可以预测合成结果。这种方法能够从高维度的数据中提取出关键的合成描述符，这些描述符对于通过动力学控制合成材料特别有效。

这项研究利用机器学习技术分析了从文献中收集的沸石合成记录，以理解和解释其性质与结构的关系。通过机器学习模型提取的综合描述符，科学家能够识别出结构描述符的重要性，并构建了基于结构相似性的晶体结构网络。这种方法有助于合理化合成经验、填补合成记录空白并发现新材料。

3. npj Computational Materials: 半监督机器学习在材料合成过程中的应用

在过去30年里，计算材料学的进步已经在材料设计领域取得显著成就，包括设计出数十种全新化合物。然而，材料发现仍然受到实验合成的挑战。为了克服这一障碍，机器学习方法被应用于无机材料的合成过程，以预测合成条件。

在这项研究中，作者展示了一种半监督机器学习方法，用于根据自然语言描述对无机材料合成步骤进行分类。通过这种方法，无需人工干预，机器学习模型能够自动将关键字聚集到与特定实验合成步骤相关的主题，如“研磨”、“加热”、“溶解”、“离心分离”等。这种方法可以准确地重建合成流程图，从而解锁大量无机材料合成信息，并将其标准化为机器可读格式。

4. npj Computational Materials: 机器学习在固态材料科学中的最新进展与应用

机器学习已经成为近年来材料科学中最令人兴奋的研究方法之一。它不仅能够加速基础研究，还能推动应用研究的发展。在这篇文章中，作者全面介绍了机器学习在材料科学中的最新进展，包括机器学习原理、算法、描述符和数据库的应用。此外，文章还讨论了机器学习在发现稳定材料和预测晶体结构方面的应用，以及通过机器学习替代第一性原理计算的各种方法。文章还探讨了如何通过自动学习和基于算法的优化改善合理设计过程，并提出了机器学习模型可解释性和物理理解的重要性。

5. npj Computational Materials: 利用可解释的机器学习识别高级自旋驱动热电材料

机器学习正逐渐成为科学研究的重要工具。在材料科学领域，机器学习的应用尤其引人注目，因为它能够通过发现新的或改进的功能材料来实现创新。然而，许多机器学习算法的“黑箱”属性阻碍了这种创新。为了克服这一障碍，作者采用了一种可解释的机器学习方法，以识别具有异常能斯特效应的自旋驱动热电材料。通过这种方法，作者不仅能够从材料科学和物理学的角度解释数据驱动的模型，还能指导实际材料合成，从而确定新型自旋驱动热电材料。

6. npj Computational Materials: 可靠且可解释的机器学习方法加速材料开发

尽管机器学习在商业应用中表现出色，但在材料科学领域的应用仍面临独特挑战。在这项研究中，作者探讨了机器学习在处理不平衡或代表性不足的材料数据时存在的问题，并提出了一种通用的可解释且可靠的机器学习框架。该框架采用一组更简单的模型来可靠地预测材料特性，并通过转移学习技术弥补因模型简化带来的功能损失。此外，作者还提出了一种新的评估指标和信任分数，以更好地量化预测中的置信度。为了提高模型的可解释性，作者引入了基本原理生成器组件，提供模型级别和决策级别的解释。最后，文章展示了这种技术在预测晶体化合物特性和确定潜在稳定的太阳能电池材料方面的应用。

7. Nat. Mater.: 机器学习在药物发现与开发中的应用

机器学习方法，如贝叶斯方法、支持向量机和最近的深度神经网络，已经被证明在药物发现和开发中具有巨大潜力。这些方法利用高通量筛选数据集，能够以更高精度预测目标和分子的生物活性。随着这些技术的应用，研究人员能够更有效地识别新分子或重新利用现有药物。机器学习模型的集成应用有望为未来的疗法及其目标开辟新途径。

8. Nature Reviews Chemistry: 人工智能驱动的合成化学

合成化学是化学领域的一个重要分支，包括药物发现、化学生物学、材料科学和工程学。然而，复杂的化学合成通常需要丰富的背景知识，这往往需要多年的研究和实践。近年来，随着计算能力、数据可用性和算法的进步，人们对人工智能的兴趣再度高涨。在这篇综述中，作者讨论了人工智能对合成化学不同任务的影响，并通过实例展示了其应用价值。通过研究基本概念，作者旨在帮助化学家更好地理解人工智能，以便将其作为工具，通过指出知识缺口并描绘化学AI在工业中的运作方式，激发未来的研究。