Hua Sang 1,2, † , Jiali Liu 2, † , Fang Zhou 2 , Xiaofang Zhang 2 , Jingwei Zhang 2 , Yazhong Liu 2 ,
Gina Hadley 1,Jiali Zhang 1,2,Eva Harris-Skillman 1,Zoi Alexopoulou 1,2,Gabriele C Deluca 1,3,
•朝着局部关注和流动匹配风格的校正的长期推出:额叶聚合PDES中的一个例子。Pengfei Cai,Sulin Liu,Qibang Liu,Philippe Geubelle,Rafael Gomez-Bombarelli。(2024)。在ML关于物理科学的ML的Neurips 2024研讨会上介绍。预印本。•使用可区分的模拟学习额叶聚合PDE的治疗动力学。Pengfei Cai,Qibang Liu,Philippe Geubelle,Rafael Gomez-Bombarelli。(2024)。ICML 2024 AI科学研讨会;关于数据驱动和可区分模拟,替代物和求解器的神经研讨会。预印本。•基于额叶聚合制造中形态学模式设计的单变量变异自动编码器。Qibang Liu,Pengfei Cai,Diab Abueidda,Seid Koric,Rafael Gomez-Bombarelli,Philippe Geubelle。(2024)。提交:应用机制和工程中的计算机方法。预印本。•具有准确的混合功能的无机化合物的计算的拉曼光谱数据库。Yuheng Li,Damien K. J. Lee,Pengfei Cai,Ziyi Zhang,Prashun Gorai,Pieremanuele Canepa。 (2024)。 科学数据。 纸链接。 •从“无特征”光吸收光谱中鉴定化学成分:机器学习预测和实验验证。 Tiankai Chen*,Jiali Li*,Pengfei Cai,Qiaofeng Yao,Zekun Ren,Yixin Zhu,Saif Khan,Jianping Xie,Xiaonan Wang。 (2023)。 纳米研究。 纸链接。 (2022)。Yuheng Li,Damien K. J. Lee,Pengfei Cai,Ziyi Zhang,Prashun Gorai,Pieremanuele Canepa。(2024)。科学数据。纸链接。•从“无特征”光吸收光谱中鉴定化学成分:机器学习预测和实验验证。Tiankai Chen*,Jiali Li*,Pengfei Cai,Qiaofeng Yao,Zekun Ren,Yixin Zhu,Saif Khan,Jianping Xie,Xiaonan Wang。(2023)。纳米研究。纸链接。(2022)。•通过第一原则理解和机器学习加速了近红外II分子荧光团的设计。Shidang Xu*,Pengfei Cai*,Jiali Li,Xianhe Zhang,Xianglong Liu,Xiaonan Wang,bin liu。ChemRXIV预印本(实验验证正在进行)。预印本。•聚集时机器学习辅助准确预测分子光学性能。Shidang Xu*,小刘*,Pengfei Cai,Jiali Li,Xiaonan Wang,bin liu。(2022)。高级科学。纸链接。•通过贝叶斯搜索进行第一原则模拟的贝叶斯搜索自我提出的光敏剂发现系统。Shidang Xu*,Jiali li*,Pengfei Cai,小刘,本·刘,小王。(2021)。美国化学学会杂志。纸链接。
Xuemei Peng 1,2 , Jinhui Ye 1,2 , Shihui Ma 1,2 , Jiali Sun 1,2 , Lu Wang 1,2 , Linping Hu 1,2 , Lin 7
ORCID编号:0000-0001-7717-893X (H.-JL); 0000-0001-6234-9265(左翼); 0000-0001-5664-2975(JX); 0000-0003-2291-1836(喀山); 0000-0002-5036-9426 (马萨诸塞); 0000-0002-1034-2771 (MJ); 0000-0002-5379-4348(黄页); 0000-0003-0295-6594(Y型); 0000-0002-3176-739X(BH); 0000-0002-1129-9584(JL); 0000-0003-4725-238X (FG); 0000-0002-4498-7412 (加大); 0000-0003-0380-8104(左); 0000-0003-4105-9693(全球); 0000-0003-1992-1857 (YD); 0000-0002-8532-6450(XY); 0000-0001-6803-2672 (ZL); 0000-0003-0618-4640 (Mi.Z.); 0000-0001-9903-0629(日本); 0000-0001-9751-7679(MB); 0000-0001-5080-4478(WS); 0000-0001-9095-7110 (HC); 0000-0001-9821-3829 (XS); 0000-0002-1046-7902(西联); 0000-0002-0183-5574 (Y.卢); 0000-0001-8988-3644 (刘Y.); 0000-0002-5538-7236(江苏); 0000-0002-7062-3495 (YQ); 0000-0002-4269-7649 (DJ); 0000-0001-9000-335X (ARF); 0000-0001-8650-7811 (Jianbing Y.)
过去的咨询和实习生Elita Lobo博士学生,马萨诸塞大学,阿默斯特大学2023-2024 Dan Ley,博士学位哈佛大学2023-2024学生尼古拉斯·克罗格(Nicholas Kroeger)博士佛罗里达大学2023-2024学生Sree Harsha Tanneru,研究工程师,Google DeepMind 2023-2024 Satyapriya Krishna,博士哈佛大学2020-2024学生马丁·帕维尔奇克(Martin Pawelczyk)博士学生,Toubingen大学2021-2022 Valentina Giunchiglia博士学生,伦敦帝国学院2022-2023 Chirag Varun Shukla,博士学生,LMU慕尼黑2022-2023 Jiali Cheng博士马萨诸塞州洛厄尔大学2022-2023学生学生,研究工程师,Adobe 2022-2023 Shripad v Deshmukh诉Deshmukh,研究工程师,Adobe 2022-2023 Nari Johnson,哈佛大学,哈佛大学,20222222222222222222222222222222 ESHIKA SAXENA下,埃什卡萨克斯纳(Eshika Saxena)田纳西大学本科生,诺克斯维尔2021-2022 Daniel D'Souza,数据科学家,Proquest 2021-2022
Authors: Lianglong Sun 1,2,3 , Tengda Zhao 1,2,3, # , Xinyuan Liang 1,2,3,# , Mingrui Xia 1,2,3,# , Qiongling Li 1,2,3 , Xuhong Liao 4 , Gaolang Gong 1,2,3,5 , Qian Wang 1,2,3 , Chenxuan Pang 1,2,3 , Qian Yu 1,2,3 , Yanchao Bi 1,2,3,5 , Pindong Chen 6 , Rui Chen 1 , Yuan Chen 7 , Taolin Chen 8 , Jingliang Cheng 7 , Yuqi Cheng 9 , Zaixu Cui 5 , Zhengjia Dai 1,2,3 , Yao Deng 1 , Yuyin Ding 1 , Qi Dong 1 , Dingna Duan 1,2,3 , Jia-Hong Gao 10,11,12 , Qiyong Gong 8,13 , Ying Han 14 , Zaizhu Han 1,3 , Chu-Chung Huang 15 , Ruiwang Huang 1,3 , Ran Huo 16 , Lingjiang Li 17,18 , Ching-Po Lin 19,20,21 , Qixiang Lin 1,2,3 , Bangshan Liu 17,18 ,Chao Liu 1,3 , Ningyu Liu 1 , Ying Liu 16 , Yong Liu 22 , Jing Lu 1 , Leilei Ma 1 , Weiwei Men 10,11 , Shaozheng Qin 1,2,3,5 , Jiang Qiu 23,24 , Shijun Qiu 25 , Tianmei Si 26 , Shuping Tan 27 , Yanqing Tang 28 , Sha Tao 1 , Dawei Wang 29 , Fei Wang 28 , Jiali Wang 1 , Pan Wang 30 , Xiaoqin Wang 23,24 , Yanpei Wang 1 , Dongtao Wei 23,24 , Yankun Wu 26 , Peng Xie 31,32 , Xiufeng Xu 9 , Yuehua Xu 1,2,3 , Zhilei Xu 1,2,3 , Liyuan Yang 1,2,3 , Huishu Yuan 16 , Zilong Zeng 1,2,3 , Haibo Zhang 1 , Xi Zhang 33 , Gai Zhao 1 , Yanting Zheng 25 , Suyu Zhong 22 , Alzheimer's Disease Neuroimaging Initiative, Cam-CAN, Developing Human Connectome Project, DIDA-MDD Working Group, MCADI, NSPN, and Yong He 1,2,3,5,*
extended 2D Tinkham model Yue Liu, 1,2,† Yuhang Zhang, 1,2,† Zouyouwei Lu, 1,2,† Dong Li, 1,3,* Yuki M. Itahashi, 3 Zhanyi Zhao, 1,2 Jiali Liu, 1,2 Jihu Lu, 1,2 Feng Wu, 1,4 Kui Jin, 1,2,5 Hua Zhang,1 Ziyi Liu,1小居,1,2,5,** Zhongxian Zhao,1,2,5 1北京国家冷凝物质物理学实验室,物理研究所,中国科学院,中国100190,中国。2个物理科学学院,中国科学院,北京100049,中国。 3 Riken新兴物质科学中心(CEMS),Saitama 351-0198,日本。 4高级光电量子体系结构和测量的主要实验室,教育部,北京理工学院物理学院,中国北京100081。 5,中国广东523808的东瓜材料实验室。 摘要。 批量的二维(2D)超导性由于其在对称性破坏,非平凡拓扑,第二相波动和非常规的超导性之间的复杂相互作用而引起了极大的关注。 然而,尽管某些插入的分层超导体具有短的C轴超导相干长度,但已被错误地分类为各向异性三维(3D)超导体。 在这里,我们研究(Li,fe)Ohfese超导体,具有不同程度的层间未对准,揭示了依赖样品的超导尺寸,同时始终如一地观察Berezinskii – Kosterlitz-kosterlitz-theless – toneless – toneless – toneless – toneless – toneless(bkt)转变。 为了解决这种差异,我们开发了一个扩展的2D Tinkham模型,该模型定量捕获了层间未对准引起的模糊效应。2个物理科学学院,中国科学院,北京100049,中国。3 Riken新兴物质科学中心(CEMS),Saitama 351-0198,日本。 4高级光电量子体系结构和测量的主要实验室,教育部,北京理工学院物理学院,中国北京100081。 5,中国广东523808的东瓜材料实验室。 摘要。 批量的二维(2D)超导性由于其在对称性破坏,非平凡拓扑,第二相波动和非常规的超导性之间的复杂相互作用而引起了极大的关注。 然而,尽管某些插入的分层超导体具有短的C轴超导相干长度,但已被错误地分类为各向异性三维(3D)超导体。 在这里,我们研究(Li,fe)Ohfese超导体,具有不同程度的层间未对准,揭示了依赖样品的超导尺寸,同时始终如一地观察Berezinskii – Kosterlitz-kosterlitz-theless – toneless – toneless – toneless – toneless – toneless(bkt)转变。 为了解决这种差异,我们开发了一个扩展的2D Tinkham模型,该模型定量捕获了层间未对准引起的模糊效应。3 Riken新兴物质科学中心(CEMS),Saitama 351-0198,日本。4高级光电量子体系结构和测量的主要实验室,教育部,北京理工学院物理学院,中国北京100081。5,中国广东523808的东瓜材料实验室。摘要。批量的二维(2D)超导性由于其在对称性破坏,非平凡拓扑,第二相波动和非常规的超导性之间的复杂相互作用而引起了极大的关注。然而,尽管某些插入的分层超导体具有短的C轴超导相干长度,但已被错误地分类为各向异性三维(3D)超导体。在这里,我们研究(Li,fe)Ohfese超导体,具有不同程度的层间未对准,揭示了依赖样品的超导尺寸,同时始终如一地观察Berezinskii – Kosterlitz-kosterlitz-theless – toneless – toneless – toneless – toneless – toneless(bkt)转变。为了解决这种差异,我们开发了一个扩展的2D Tinkham模型,该模型定量捕获了层间未对准引起的模糊效应。我们进一步证明了该模型在(Li,Fe)Ohfese和cetyltrimethyl铵(CTA +) - 钙化(CTA)0.5 SNSE 2超导体中的有效性,突出了其广泛的适用性。这项工作提供了对大量2D超导性的有价值的见解,并建立了扩展的2D Tinkham模型,用于定量提取插入的分层超导体中的固有超导性能,尤其是那些表现出明显的层间未对准的超导体。†这些作者也同样贡献。*联系作者:dong.li.hs@riken.jp **联系作者:dong@iphy.ac.cn