材料逆向设计系统

面向材料性能需求的材料逆向设计系统MLDS，为材料研发领域中，多目标性能难以同步提升的痛点问题，提供高效解决方案。 基于内置的成分-工艺与性能间的内禀关系模型，操作人员仅需简单地提出所需的目标性能，即可快速生成满足多目标性能的成分-工艺设计方案。

北京云智材料大数据研究院 北京科技大学2025.04.03

面向性能要求的自适应迭代快速材料设计策略

该自适应迭代设计策略，包含模型训练，模型预测，实验设计及实验反馈四个过程。图示的2个平行迭代回路，可用于对比验证材料知识或其它要素融入对迭代设计效率的影响。

北京科技大学2024.11.21

基于大语言模型的钢铁性能预测

SteelScientist 是一种基于大型语言模型的可靠人工智能专家，代表了从材料文本到性能的端到端流程，能够高精度地定量预测机械性能，包括屈服强度（YS）、抗拉强度（UTS）和总延伸率（EL），同时支持新型钢材的探索。该流程包括一个名为 SteelBERT 的材料语言编码器，该编码器在包含 420 万篇材料科学相关摘要和 55,000 篇钢铁文献全文的综合语料库上进行了预训练，并结合了一个多模态深度学习框架，将复杂制造过程的成分和文本序列映射到机械性能。该模型在机械性能预测的测试数据上实现了约 80% 的 R2 分数。

北京科技大学2024.11.21

基于遗传算法的材料描述符和机器学习模型组合筛选框架

在本研究中，我们提出了一个利用遗传算法从大量组合寻优空间中快速选择机器学习模型和材料描述符的普适算法，并证明了它对高熵合金相形成问题的有效性。

北京科技大学2024.11.21

量纲同步计算的符号学习模型

量纲同步计算（Dimension-synchronous-computation symbolic learning）的符号学习模型是在传统的符号学习的基础上，通过加入单位计算功能模块，并改进了底层的遗传编程GP为GVP, 使符号学习具有了单位计算和向量计算的双重功能。c

北京科技大学2024.11.21