《Advanced Materials》三十多年来每周为人们带来材料科学的最新进展。杂志精选优质的研究文章、综述和前沿视角，涵盖功能材料的化学与物理学前沿成果。《Advanced Materials》的成功秘诀之一在于其显著的跨学科性。
该期刊关键词包括：材料科学、纳米技术、液晶、半导体、超导体、光学、激光器、传感器、多孔材料、发光材料、陶瓷、生物材料、磁性材料、薄膜、胶体、能源材料、光伏、太阳能电池、生物材料、光子学、铁电体、多铁性材料、超材料、药物递送、癌症治疗、组织工程、成像、自组装、分级材料、电池、超级电容器、热电材料、高分子、纳米材料、纳米复合材料、纳米管、纳米线、纳米颗粒、碳、金刚石、富勒烯等。
这周起，我们将介绍《Advanced Materials》期刊中2023年度与密度泛函理论(DFT)、分子动力学模拟(MD)、机器学习、深度学习以及神经网络相关的文章，搜索方式就是在《Advanced Materials》主页搜索框搜索“Machine Learning；Deep Learning；Neural Network；Transfer learning；DFT；Molecular dynamic simulation”等关键词，时间跨度选择2023年。
根据搜索结果，我们筛去了以前本公众号报道过的相关文章，选取了其中的十篇被引率量靠前的文章进行报告，以供大家学习和参考。这一期是6~10。
Advanced Materials：具有热增强热输运的深度学习辅助活性超材料
热管理对被动辐射冷却、可调节热穿戴设备和伪装系统等尖端应用至关重要。为满足多样化需求，其自适应版本依赖于自适应超材料的潜力。然而，现有研究存在各向异性参数显著、工作温度范围窄且需手动干预等长期难题，限制了最先进的自适应超材料的发展。为克服这些障碍，引入了一种深度学习驱动的热增强型热扩散超材料。此类主动超材料可自动感知环境温度，迅速并持续地调整热功能，具备高度可调性，即使外部热场方向发生变化，仍能保持强劲的热性能。模拟和实验均展示了卓越效果。此外，设计了两个具备按需自适应功能的元器件，采用各向同性材料、宽工作温度和自发响应。该研究为智能热扩散超材料的设计提供了框架，且可扩展至其他扩散领域，以适应日益复杂和动态的环境。
参考文献：
P. Jin, L. Xu, G. Xu, J. Li, C.-W. Qiu, J. Huang, Deep Learning-Assisted Active Metamaterials with Heat-Enhanced Thermal Transport. Adv. Mater. 2024, 36, 2305791. https://doi.org/10.1002/adma.202305791
原文链接：
https://onlinelibrary.wiley.com/doi/10.1002/adma.202305791
2. Advanced Materials：基于深度学习的热超材料智能设计
热超材料是基于混合材料的设计，通过操控和处理热流，实现多种先进热超材料器件。然而，传统热超材料的设计通常限于规则几何形状，以便于实现精确的解析解和有效的结构设计。要实现任意几何形状，甚至实现智能化（自动、实时、可定制）的热超材料设计仍具挑战。本文提出了一种基于预训练深度学习模型的智能化热超材料设计框架，可快速高效地实现所需的功能结构，无论几何形状如何复杂。该方法具有高度通用性和灵活性，适用于不同背景材料、各向异性几何结构和多种热功能设计。基于热学变换理论，本文成功地在数值模拟和实验中展示了自由形状、背景独立、全方位的热隐形材料，其结构配置能够根据形状和背景实时自动设计。这一研究为热超材料在新设计场景下的自动化实时设计设立了新的范例，更广泛地说，也为智能化超材料设计在其他物理领域的实现打开了大门。
参考文献：
Y. Wang, W. Sha, M. Xiao, C.-W. Qiu, L. Gao, Deep-Learning-Enabled Intelligent Design of Thermal Metamaterials. Adv. Mater. 2023, 35, 2302387. https://doi.org/10.1002/adma.202302387
原文链接：
https://onlinelibrary.wiley.com/doi/10.1002/adma.202302387
3. Advanced Materials：基于深度学习的随机网络3D打印机械超材料尺寸不可知逆设计
机械超材料的实际应用通常涉及逆问题求解，即寻找具有特定性能的微观结构。然而，增材制造技术的分辨率限制往往要求针对特定尺寸样品求解此类逆问题。此外，候选微观结构还需具备抗疲劳和抗断裂性。这种多目标逆向设计问题极其复杂，但其解决方案是机械超材料实际应用的关键。本文提出了一种模块化方法“Deep-DRAM”，结合了四个独立模型，包括两个深度学习（DL）模型、基于条件变分自编码器的深度生成模型和直接有限元（FE）模拟。Deep-DRAM将这些模型整合到一个框架中，能够基于随机网络单元找到多种多目标逆设计问题的解决方案。通过大量模拟和3D打印样品的实验表明：(1) DL模型的预测与FE模拟和实验观察一致；(2) 采用该方法实现了更广泛的弹性性能（如双负泊松效应和高刚度的罕见组合）；(3) Deep-DRAM可提供多个多目标逆设计问题的解决方案。
参考文献：
H. Pahlavani, K. Tsifoutis-Kazolis, M. C. Saldivar, P. Mody, J. Zhou, M. J. Mirzaali, A. A. Zadpoor, Deep Learning for Size-Agnostic Inverse Design of Random-Network 3D Printed Mechanical Metamaterials. Adv. Mater. 2024, 36, 2303481. https://doi.org/10.1002/adma.202303481
原文链接：
https://onlinelibrary.wiley.com/doi/10.1002/adma.202303481
4. Advanced Materials：基于机器学习驱动的G-四联体圆偏振发光材料
圆偏振发光（CPL）材料因其在手性功能器件中的潜在应用而备受关注。然而，合成具有高解偏因子（glum）的CPL材料仍是重大挑战。受到机器学习（ML）在科学研究中高效应用的启发，本研究首次展示了基于ML的技术来指导高glum值的G-四聚体CPL凝胶的合成，并提供多种手性调控策略。采用“实验-预测-验证”方法，构建了一个ML分类和回归模型，适用于深共熔溶剂中G-四聚体凝胶的溶剂热合成，揭示了不同合成参数与glum值之间的关系。在六种ML模型中，决策树算法表现最佳，模型准确率和判定系数分别达到0.97和0.96。在ML指导和实验验证下，筛选得到glum值高达0.15的CPL凝胶，为目前基于生物分子的CPL系统中最高之一。这些发现表明，ML可以简化手性纳米材料的合理设计，从而加速其进一步发展。
参考文献：
Y. Dai, Z. Zhang, D. Wang, T. Li, Y. Ren, J. Chen, L. Feng, Machine-Learning-Driven G-Quartet-Based Circularly Polarized Luminescence Materials. Adv. Mater. 2024, 36, 2310455. https://doi.org/10.1002/adma.202310455
原文链接：
https://onlinelibrary.wiley.com/doi/10.1002/adma.202307160
5. Advanced Materials：机械超材料中的深度学习：从预测和生成到反设计
机械超材料是精心设计的结构，其卓越的机械性能由其微结构和组成材料决定。通过定制材料和几何分布，可实现前所未有的体积属性和功能。然而，当前机械超材料的设计在很大程度上依赖于经验丰富的设计师的灵感和反复试验，同时对其机械性能和响应的研究通常需要耗时的机械测试或计算成本高昂的模拟。近年来，深度学习的进展彻底改变了机械超材料的设计过程，使得在无先验知识的情况下进行属性预测和几何生成成为可能。此外，深度生成模型能够将传统的正向设计转化为逆向设计。尽管许多关于深度学习在机械超材料中的应用研究高度专业化，其优缺点可能并不立即显现。本文综述了深度学习在机械超材料的属性预测、几何生成和逆向设计中的能力，并强调了利用深度学习构建通用数据集、智能设计超材料以及材料智能化的潜力。该文章不仅对从事机械超材料研究的学者具有参考价值，也为材料信息学领域的研究者提供了宝贵的见解。
参考文献：
X. Zheng, X. Zhang, T.-T. Chen, I. Watanabe, Deep Learning in Mechanical Metamaterials: From Prediction and Generation to Inverse Design. Adv. Mater. 2023, 35, 2302530. https://doi.org/10.1002/adma.202302530
原文链接：
https://onlinelibrary.wiley.com/doi/10.1002/adma.202302530
END
往 期 推 荐
AFM！唯理计算助力一作发表！基于“量身定制”离子液体的超拉伸、自修复、自粘附离子导电水凝胶用于高性能应变传感器
