GNN与LLM多模态融合预测材料磁有序
热点事件观察中
GNN与LLM多模态融合预测材料磁有序
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
Adam Zheng、April Zheng 与 Sheng Ran 发布论文，提出将晶体结构输入图神经网络（GNN）、材料属性与结构的文本描述输入大语言模型（LLM），融合两者输出预测材料的非磁性、铁磁性、反铁磁性和亚铁磁性四类磁有序。 论文称，模型在 Materials Project、Magndata 数据集及实验室确定磁有序的铀化合物数据合并的数据集上，按 80%/10%/10% 划分训练、验证和测试集；在三种融合策略下，其整体准确率均高于单独使用 GNN 或 LLM 的方法。该结论为作者声称，具体数值未在材料中给出。
AI 根据报道生成 · 9 小时前更新
最新进展10月20日 12:00
基于晶体结构的图神经网络与LLM多模态方法预测材料磁有序报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · Materials Science基于晶体结构的图神经网络与LLM多模态方法预测材料磁有序
研究提出一种GNN与LLM多模态方法预测材料磁有序，将晶体结构输入GNN、材料属性与结构的文本描述输入LLM，再融合二者输出预测非磁性、铁磁性、反铁磁性和亚铁磁性四类结果。模型使用Materials Project、Magndata及实验室确定磁有序的铀化合物数据，按80%/10%/10%划分训练、验证和测试集；在三种融合策略下，其整体准确率均高于单独GNN和LLM方法。
本事件热度走势
- 可比范围当前
- 5
- 可比范围峰值
- 610月21日 06:00
- 近 24 小时变化
- –
0246
06:0008:0010:0012:0014:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。