相关论文

综述

1. 21-Machine learning for advanced energy materials 《 Energy and AI》

• 介绍了实现碳中和的应用路线图。
• 提供了对基本 ML 教程的全面回顾。
• 讨论了数据驱动的材料科学与工程的最新进展。
• 突出显示了成功的 ML 应用程序和剩余挑战的关键。

1. 20-Energy and AI 《 Energy and AI 》

《Energy and AI》杂志的创刊词。概述了机器学习在能源领域的应用，指出该杂志专注于解决能源系统、
能源材料、能源化学、能源利用与转换、能源与社会等关键挑战，以及能源研究中的其他重要紧迫问题。还考
虑了有关开发定制人工智能技术和方法以促进能源、脱碳和可持续发展的论文，例如数据驱动方法、优化算法
和人工智能伦理。纯粹关注能源或人工智能单个方面的论文不适合该期刊。该杂志可发表research, 
short communication, perspective and review articles。

短评

1. 21-Best practices in ML for Chem 《 Nature 》

讨论了要训练出可靠、可重复和可重现机器学习模型所需的要素，为机器学习报告推荐了一套指南。

1. 21-Machine learning made easy for optimizing chemical reactions 《 Nature 》

宣传文章，说明他们的机器学习模型可以加速各种合成反应的优化，并指出认知偏差如何破坏人类的优化。

1. 20-机器学习化学发现

简述了利用数据库进行机器学习并应用于化学领域的进展，并讨论了未来几年的挑战。

1. 19-机器学习中要避免的三个陷阱

• 拆分数据时要注意时间趋势
• 要注意隐藏变量，可以使用多个机器学习模型来检测
• 要选择合适的目标，否则我们将产生回答错误问题的精确系统

1. 17-机器学习用于寻找能源材料

整理了一个研讨会的意见：
• 数据的标准化发表
• 通过机器学习竞赛促进合作
• 多开放交叉课程：可供各个不同领域相互了解

1. 从发散数据中做机器学习

已经开发了一种机器学习策略，该策略利用了数据通常以不同方式以不同精度级别收集的事实。该方法用于构建预测材料关键特性的模型。