XiaoMi-AI文件搜索系统
World File Search System实验数据
DiffractGPT：通过 X 射线确定原子结构...
图 1：JARVIS-DFT (JDFT) 数据库中的晶格和空间群数据分布以及一些模拟 XRD 图案与实验测量值的比较。a) JDFT 原子结构数据库中的晶格和空间群分布。b) 硅的模拟和实验 PXRD。实验数据取自 RRUFF 数据库，ID 为 R050145，而模拟数据取自 JDFT ID JVASP-1002，c) 硼化镧的模拟和实验 PXRD。实验数据是作为这项工作的一部分获得的，而模拟数据取自 JDFT，ID 为 15014，d) 碳化硅（莫桑石）的模拟和实验 PXRD。实验数据取自 RRUFF 数据库，ID 为 R061083，而模拟数据取自 JDFT ID JVASP-107，e) 硼化镁的模拟和实验 PXRD。实验数据是作为这项工作的一部分获得的，而模拟数据来自 JDFT ID JVASP- 1151，f) 碳化铪的模拟和实验 PXRD。实验数据是作为这项工作的一部分获得的，而模拟数据来自 JDFT ID JVASP-17957。
Purdue流程安全与保证中心（P2SAC）概述
使用先进的计算工具对有机金属络合物的分解能进行了预测，并通过实验数据验证了。实验数据实验数据来自行业标准的DEKRA报告，提供了钯络合物和磷酸配体的数据。计算工具热化学强度理论（TCIT），带有热化学数据集的量子化学输入（例如G4数据）。用于计算形成和升华焓的气相热量。chetah（已许可ASTM），E基于Benson组刺激热力学特性。密度功能理论（DFT），用于几何优化和单点能量计算。挑战大型配体，如钯磷酸复合物。主要用ChemDraw建模的化合物，但使用Avagadro进行更复杂的结构
利用神经网络发现物理概念
理论物理学与人类活动的所有领域一样，都受到发展时期流行的思想流派的影响。因此，我们所知道的物理理论不一定是解释实验数据的最简单的理论，而是最自然地遵循当时的先前理论的理论。广义相对论和量子理论都是建立在经典力学的基础上的——它们分别在非常大和非常小的受限范围内取得了令人印象深刻的成功，但从根本上来说它们是不相容的，正如黑洞信息丢失悖论 [1,2] 等悖论所反映的那样。这提出了一个有趣的问题：如果我们假设没有物理先验知识，量子物理定律和其他更普遍的物理理论是否是解释实验数据的最自然的定律？虽然这个问题在不久的将来可能不会得到解答，但人工智能的最新进展使我们朝这个方向迈出了第一步。在这里，我们研究神经网络是否可用于从实验数据中发现物理概念。以前的工作。 — 使用机器帮助发现实验数据背后的物理定律这一目标已经在多个方面得到追求（有关更详细的概述，请参阅补充材料（SM）[3]，有关最新评论，请参阅参考文献[30 – 33]）。许多早期工作集中于寻找描述给定数据集的数学表达式（例如，参见参考文献[34 – 36]）。例如，在参考文献[35]中，一种算法通过在给定输入变量的数学表达式空间中搜索，恢复了简单机械系统（如双摆）的运动定律。最近，在从实验数据中提取动力学方程方面取得了重大进展[37 – 45]。这些方法非常实用，并已成功应用于复杂的物理系统，但需要对感兴趣的系统有先验知识，例如以知道系统的基本结构是什么的形式。
无序有机半导体的新型状态密度（DOS）
摘要：在这项工作中，我们提出了一种基于边界轨道理论和概率统计数据的无序有机半导体的DOS新理论。通过与其他DOS替代方案和实验数据进行比较，已验证了所提出的DOS，而所提出的DOS计算的迁移率比传统DOS更接近实验数据。此外，我们还提供了一种详细的方法来选择DOS参数，以更好地使用所提出的DOS。本文还包含了DOS参数的预测，并且已经通过实验数据进行了验证。更重要的是，已提出的DOS参数的物理含义已通过平衡能理论和运输能源理论来解释，以使该提出的模型更加理性。与基于高斯和指数DOS的改进的DOS相比，这项工作是将概率理论与与无序有机有机半导体中DOS相关的物理理论相结合的新尝试，显示出对DOS性质进一步研究的重要意义。
预测聚丙烯分离器及其对锂离子电池性能的影响
图1：厚度的实验数据是从参考文献中获取的。6。为不同的χ值绘制了两个数据集。带有实心标记的数据集显示了在室温下测量的实验数据，这是使用Unifac-fv在本工作中计算出的Flory-Huggins参数的函数。带有空标记的数据集显示出相同的实验D，这是参考文献中计算出的Flory-Huggins参数的函数。6，计算中有错误。相同的标记形状和颜色对应于相同的溶剂。误差线代表实验不确定性，因为在各种溶剂中PP分离器的厚度D是Flory-Huggins参数χ的函数。
通过结合机器学习和超高通量筛选
优化酶在新型化学环境中起作用是合成生物学的核心目标，但通常会因崎,、膨胀的蛋白质搜索空间和昂贵的实验而阻碍优化。在这项工作中，我们提出了电信，这是一种将进化和实验数据融合到设计多种蛋白质变体文库的ML框架，并采用它来改善核酸酶酶的催化活性，从而降解在慢性伤口上积累的生物膜。在使用触觉和标准定向进化（DE）方法的多轮高通量实验（并行）之后，我们发现我们的方法发现，与DE相比，最高表现的酶变体明显更好，在发现多样化的高级活动性变体方面具有更好的命中率，甚至无法使用高强度的初始实验数据来设计高度，甚至能够设计出高度的初始实验数据。我们发布了一个55K核酸酶变体的数据集，这是迄今为止最广泛的基因型 - 表型酶活性景观之一，以推动ML引导设计的进一步进展。
通过实验反馈
蛋白质语言模型（PLM）已成为用于蛋白质序列设计的最先进工具。plms并没有固有地设计具有超出自然界的功能的新序列，这表明了与蛋白质工程的未对准，该目标是重新设计具有增强功能的蛋白质序列的蛋白质工程目标。在自然语言处理领域，通过人类反馈（RLHF）的强化学习使大型语言模型Chat-gpt通过监督的微调（SFT）和近端政策优化（PPO）使首选响应一致。我们使用实验数据适应了SFT和PPO来对PLM的功能排列，并使用实验反馈（RLXF）调用此方法增强学习。我们使用RLXF将ESM-2和生成的变分自动编码器对齐，以设计与氧无关的荧光蛋白Creilov的5个突变体变体。我们发现，对齐的ESM-2的设计较大，具有活性，至少与Creilov一样明亮，并带有体内荧光测定。我们将RLXF作为一种多功能方法，用于使用实验数据重新设计实验数据在功能上对齐PLM。
在疏水纳米通道中的亲水性和快速流动中的异常水吸收之间的互换
纳米级扩展和卢卡斯 - 瓦什伯恩模型的完善，对最新的实验数据和广泛的分子动力学模拟进行了详细分析，以研究纳米毛细血管内的快速水流和水吸收。通过对亲水性纳米通道的毛细血管升高的比较分析，意外的逆转预期趋势，异常峰，吸收长度低于3 nm的含量，在亲水性纳米渠道中发现了相同的物理起源，与Hydophobic Nananodophels中的流量相同。扩展的吸水模型适用于各种时空量表，并针对亲水性和疏水性纳米渠道的模拟结果和现有的实验数据进行了验证。
随机模型可以从时间序列数据中更好地推断微生物组相互作用
AU：请确认所有标题级别均正确表示：我们如何才能弄清楚不同微生物在微生物群落中是如何相互作用的？为了结合理论模型和实验数据，我们经常将系统平均动力学的确定性模型与平均数据拟合。然而，在平均过程中，数据中的大量信息会丢失——而确定性模型可能无法很好地表示随机现实。在这里，我们基于实验和模型都是随机的想法开发了一种微生物群落推理方法。从随机模型开始，我们不仅推导出平均值的动力学方程，还推导出微生物丰度更高统计矩的动力学方程。我们使用这些方程来推断最能描述生物实验数据的相互作用参数的分布——从而提高可识别性和精度。推断出的分布使我们能够做出预测，同时也能区分相当确定的参数和现有实验数据无法提供足够信息的参数。与相关方法相比，我们推导出也适用于微生物相对丰度的表达式，使我们能够使用传统的宏基因组数据，并解释了随着时间的推移无法追踪单个宿主而只能追踪复制宿主的情况。