Yapay zekâ araştırmaları ne buldu: yeni malzemeler

Soru

Bir model henüz kimsenin yapmadığı kristalleri ve malzemeleri önerebilir mi?

İddialar ve her birinin kaynağı

• Bu araştırmanın oyundaki yeri (dünya dilbilgisinin kurduğu bir yer)laboratory → laboratory

  Oyun simülasyonu · Kodda tanımlı src/lib/world-grammar/place-grammar.ts · resolvePurpose('laboratory')

• Bu taramadaki yayımlanmış eser; her biri DOI kayıt kurumunda çözüldü12

  Gerçek dünya bilgisi · Kaynak [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12]

• Çizge ağları kararlı olduğu öngörülen çok sayıda kristal yapı önerdi; bunları üretip sınamak hâlâ insan kimyacılara düşüyor.Merchant 2023

  Gerçek dünya bilgisi · Kaynak [1]

• Developing an improved crystal graph convolutional neural network framework for accelerated materials discoveryPark 2020

  Gerçek dünya bilgisi · Kaynak [2]

• Machine learning the quantum-chemical properties of metal–organic frameworks for accelerated materials discoveryRosen 2021

  Gerçek dünya bilgisi · Kaynak [3]

• Crystal Structure Prediction via Deep LearningRyan 2018

  Gerçek dünya bilgisi · Kaynak [4]

• Materials discovery and design using machine learningLiu 2017

  Gerçek dünya bilgisi · Kaynak [5]

• Accelerating materials discovery using artificial intelligence, high performance computing and roboticsPyzer‐Knapp 2022

  Gerçek dünya bilgisi · Kaynak [6]

• Evaluating explorative prediction power of machine learning algorithms for materials discovery using k -fold forward cross-validationXiong 2019

  Gerçek dünya bilgisi · Kaynak [7]

• Genetic algorithms for computational materials discovery accelerated by machine learningJennings 2019

  Gerçek dünya bilgisi · Kaynak [8]

• Can machine learning identify the next high-temperature superconductor? Examining extrapolation performance for materials discoveryMeredig 2018

  Gerçek dünya bilgisi · Kaynak [9]

• Accelerating materials discovery using machine learningJuan 2020

  Gerçek dünya bilgisi · Kaynak [10]

• Universal fragment descriptors for predicting properties of inorganic crystalsIsayev 2017

  Gerçek dünya bilgisi · Kaynak [11]

• On-the-fly closed-loop materials discovery via Bayesian active learningKusne 2020

  Gerçek dünya bilgisi · Kaynak [12]

Kaynakça, kayıt kurumunda denetlendi

1. [1] Merchant (2023). Scaling deep learning for materials discovery. Nature. doi:10.1038/s41586-023-06735-9

   Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 22:30 UTC tarihinde denetlendi · kayıttaki eser “Scaling deep learning for materials discovery” (2023)

2. [2] Park (2020). Developing an improved crystal graph convolutional neural network framework for accelerated materials discovery. Physical Review Materials. doi:10.1103/physrevmaterials.4.063801

   Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 22:30 UTC tarihinde denetlendi · kayıttaki eser “Developing an improved crystal graph convolutional neural network framework for accelerated materials discovery” (2020)

3. [3] Rosen (2021). Machine learning the quantum-chemical properties of metal–organic frameworks for accelerated materials discovery. Matter. doi:10.1016/j.matt.2021.02.015

   Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 22:30 UTC tarihinde denetlendi · kayıttaki eser “Machine learning the quantum-chemical properties of metal–organic frameworks for accelerated materials discovery” (2021)

4. [4] Ryan (2018). Crystal Structure Prediction via Deep Learning. Journal of the American Chemical Society. doi:10.1021/jacs.8b03913

   Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 22:30 UTC tarihinde denetlendi · kayıttaki eser “Crystal Structure Prediction via Deep Learning” (2018)

5. [5] Liu (2017). Materials discovery and design using machine learning. Journal of Materiomics. doi:10.1016/j.jmat.2017.08.002

   Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 22:30 UTC tarihinde denetlendi · kayıttaki eser “Materials discovery and design using machine learning” (2017)

6. [6] Pyzer‐Knapp (2022). Accelerating materials discovery using artificial intelligence, high performance computing and robotics. npj Computational Materials. doi:10.1038/s41524-022-00765-z

   Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 22:30 UTC tarihinde denetlendi · kayıttaki eser “Accelerating materials discovery using artificial intelligence, high performance computing and robotics” (2022)

7. [7] Xiong (2019). Evaluating explorative prediction power of machine learning algorithms for materials discovery using k -fold forward cross-validation. Computational Materials Science. doi:10.1016/j.commatsci.2019.109203

   Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 22:30 UTC tarihinde denetlendi · kayıttaki eser “Evaluating explorative prediction power of machine learning algorithms for materials discovery using <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" altimg="si1.svg"> <mml:mrow> <mml:mi>k</mml:mi> </mml:mrow> </mml:math> -fold forward cross-validation” (2020)

8. [8] Jennings (2019). Genetic algorithms for computational materials discovery accelerated by machine learning. npj Computational Materials. doi:10.1038/s41524-019-0181-4

   Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 22:30 UTC tarihinde denetlendi · kayıttaki eser “Genetic algorithms for computational materials discovery accelerated by machine learning” (2019)

9. [9] Meredig (2018). Can machine learning identify the next high-temperature superconductor? Examining extrapolation performance for materials discovery. Molecular Systems Design & Engineering. doi:10.1039/c8me00012c

   Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 22:30 UTC tarihinde denetlendi · kayıttaki eser “Can machine learning identify the next high-temperature superconductor? Examining extrapolation performance for materials discovery” (2018)

10. [10] Juan (2020). Accelerating materials discovery using machine learning. Journal of Material Science and Technology. doi:10.1016/j.jmst.2020.12.010

    Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 22:30 UTC tarihinde denetlendi · kayıttaki eser “Accelerating materials discovery using machine learning” (2021)

11. [11] Isayev (2017). Universal fragment descriptors for predicting properties of inorganic crystals. Nature Communications. doi:10.1038/ncomms15679

    Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 22:30 UTC tarihinde denetlendi · kayıttaki eser “Universal fragment descriptors for predicting properties of inorganic crystals” (2017)

12. [12] Kusne (2020). On-the-fly closed-loop materials discovery via Bayesian active learning. Nature Communications. doi:10.1038/s41467-020-19597-w

    Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 22:30 UTC tarihinde denetlendi · kayıttaki eser “On-the-fly closed-loop materials discovery via Bayesian active learning” (2020)

İnceleme

Hakem değerlendirmesinden geçmedi. Bu taramayı henüz hiçbir insan bilim insanı incelemedi. Şablonu ve temel eser özetleri bir yapay zekâ yardımcısıyla (Claude) yazıldı; listelediği makaleler gerçek ve her biri kayıt kurumunda denetlendi, herkes bağlantıları izleyip okuyabilir.

• Listelenen her DOI çözüldü; başlık, yıl ve ilk yazar listeyle eşleşti.
• Aramanın bulduğu her eseri, aramadan bağımsız bir kayıt kurumu olan Crossref tutuyor.
• Başlık ve özetteki her sayı listelenen bir iddiayla karşılanıyor.
• Hiçbir aday eser düşürülmedi: masanın bulduğu ya da adlandırdığı her eseri kayıt kurumu doğruladı.

Kod sürümü: fa127b6f988c