arXiv cs.AI· Yevgeny Rakita, Paul Todd, James R. Neilson, Simon J. L. Billinge·· 3 天前AI 评分22
用 Provenance Action Graphs 加速材料合成：潜力、结构与演示
Complex materials engineering via Provenance Action Graphs: potential, structure and demonstration
AI 导读
研究提出用反应图（Provenance Action Graphs）建模材料合成，将反应步骤作为动作、产物作为观测，借助学习算法从多维合成路径中编码规则，并支持正向预测与逆向学习两种模式。工作聚焦固态合成中动力学主导的反应场景，目标是构建可由数据智能体共享和贡献的全局知识库，加速材料发现。
正文 · AI 翻译
摘要：本文讨论并检验了反应图在材料合成中的潜力，其中事件由反应步骤（动作）及其输出（观察结果）构成。其重要性源于合成具有技术实用价值的材料的需求，尤其是那些动力学稳定的材料。这往往是一门在多年试错之后才得出（已发表的）成功配方的科学，但实际上更多是由（未发表的）失败所驱动的。进入 AI 时代提供了一个机会，可以利用学习算法从多维合成路径中编码规则（无论其技术实用性如何），并解码前向预测和逆向学习两种模式。其主要动机是通过构建一个可在数据代理之间共享并可由其贡献的全球知识库来加速材料发现。我们将重点关注固态合成中常见合成过程的若干场景，主要因为这些反应本质上是动力学反应，需要对反应历史进行更密切的监测和控制。
| 评论： | 13 页，8 幅图 |
| 主题： | 人工智能（cs.AI）；材料科学（cond-mat.mtrl-sci） |
| 引用为： | arXiv:2610.18314 [cs.AI] |
| （或 arXiv:2610.18314v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18314 arXiv 通过 DataCite 颁发的 DOI（待注册） |
提交历史
来自：Simon Billinge [查看电子邮件]
[v1]
2026 年 10 月 13 日星期二 12:57:31 UTC（4,036 KB）
来源：arXiv cs.AI · arxiv.org