UC San Diego用AI解码人类DNA起始子序列，约60%基因携带该"开关"元件
加州大学圣迭戈分校Kadonaga实验室通过约50万个起始子变体的高通量测序数据训练机器学习模型，首次解码了控制基因转录起始的DNA"起始子"序列特征，并发现约60%的人类基因携带该元件。成果有助预测突变如何改变基因活性，并支持人工启动子的按需设计，8月23日发布。
机器学习 第2页
共 3 页 · B910化工 · AI 化学信息库
用"最优输运"给异质界面建模：贝叶斯优化让界面结构筛选快过随机搜索
Yuxuan Tang与Keith T. Butler（英国伦敦大学学院）8月20日在arXiv提出异质界面原子结构筛选新工作流：以融合Gromov-Wasserstein距离量化界面与母体块体环境的相似度，耦合贝叶斯优化搜索面内平移配准，在KI/NaCl、GaP/GaAs、GaN/Al2O3三类界面上验证，FGW引导的配准选择稳定优于随机搜索与预训练MACE能量引导，为微电子与能源转换材料的界面设计提速。
机器学习加速电池电极微观表征：SRGAN超分辨让EBSD通量大幅提升
美国NREL与科罗拉多矿业学院研究团队在arXiv发布研究，用生成对抗网络（SRGAN）对锂电池NMC正极颗粒的电子背散射衍射（EBSD）数据做计算增强超分辨，从低分辨数据重建高分辨微观组织，大幅提升表征通量。EBSD是优化电芯性能的关键表征手段但速度极慢，该方法为电池材料的统计性微观结构分析提供了AI加速路径。8月19日提交。
机器学习筛选1.3万个硬碳结构模型：钠离子电池高容量储钠机理研究新工具
一项提交至arXiv的研究将通用机器学习原子间势与RAFFLE结构生成框架结合，构建13096个硬碳原子结构模型（最大含4378原子），用神经网络筛选识别高容量钠存储构型。硬碳是钠离子电池负极主力材料，该工作为其微观结构-性能关系提供了此前原子模拟无法企及的尺度工具。
德国 Computomics 完成630万欧元B轮融资，用机器学习加速气候智能型育种
德国农业科技企业Computomics完成630万欧元B轮股权融资，Convent Capital Agri Food Fund领投500万欧元。公司基于基因组+环境数据构建机器学习模型预测品种表现，帮助育种家在田间试验前筛选候选品系。融资背景是2026年欧洲热旱灾害导致各春季作物减产，气候韧性育种需求迫切。
arXiv：机器学习加速铋锑硫卤固溶体带边工程，光伏材料筛选提速数个量级
8月17日提交arXiv的研究将机器学习代理模型与第一性原理计算结合，系统扫描铋锑硫卤化物固溶体的庞大组分空间，绘制带边位置随组分与表面端基变化的图谱，识别出与光伏及水分解能级匹配的最优区间。该材料组合地球丰富、带隙1.2-2.1eV可调，ML加速筛选将不可穷举的DFT计算压缩数个量级，为无铅光电材料提供组分设计准则。
arXiv：机器学习挖出38种被遗忘MXene，文献数据挖掘加速二维材料发现
8月17日提交arXiv的研究以机器学习辅助数据库挖掘结合实验，在历史文献中识别出38种已被合成但从未被认作MXene的层状化合物，构成一座宝库，并开发快速直接合成路线验证新候选。该工作把文献挖掘+定向合成闭环引入二维材料发现，有望显著扩展MXene在储能、电催化与屏蔽领域的材料库。
机器学习+符号回归导出MOF二氧化碳吸附可解释公式，13.7万结构验证准确率超70%
arXiv新预印本（2608.14990）用机器学习+符号回归策略，从1000样本MOF数据集提炼出二氧化碳低压吸附的简洁预测公式Q=aA，将无量纲吸附数A解释为吸附结合力与扩散驱动力之比。在137,652个假想MOF上验证，对62,448个结构预测准确率超70%，为MOF碳捕集材料筛选提供了可解释的物理公式。
机器学习从十亿级分子空间提炼锂电电解质设计规则：腈主导、醚辅助
arXiv新预印本（2608.16364）对近10亿GDB13分子进行电子-溶剂化描述符高通量筛选，发现高排名候选分子呈现"腈类主导"与"腈醚共存"两种机制，进而提炼出腈为中心、醚为辅助的基元层级。该层级嵌入生成模型后无需显式氟化奖励即可产出高分氟化结构，为锂电池电解质分子设计建立了可解释框架。
研究团队发布NMC811层状正极材料氧K边X射线吸收光谱数据库
阿姆斯特丹大学Nongnuch Artrith和伦敦大学学院Jian He等团队在arXiv发布NMC811层状正极材料氧K边X射线吸收光谱（XAS）模拟数据库，覆盖三种荷电状态下60个过渡金属位点，采用激发电子和核芯孔方法计算。该数据库可支持电池材料表征和AI辅助材料发现。
机器学习电荷密度模型实现大超胞缺陷形成能高效预测
华东师范大学研究团队提出基于机器学习电荷密度的缺陷形成能预测方法，仅需小超胞训练数据即可准确预测大超胞缺陷能量，将数据效率提升数倍，为半导体材料和催化剂的缺陷工程提供高效计算工具。
机器学习加速铈基化合物磁性候选材料发现
研究人员开发了物理引导的机器学习框架，从已知铈化合物中筛选具有单轴磁各向异性的铁磁体候选，为解决高性能磁性材料中稀土短缺问题提供新路径，特别是寻找替代钕铁硼的间隙磁体材料。
综述：AI整合矿物化学与地球科学数据指导矿产勘探，聚焦关键矿物资源发现
发表在Preprints.org的综述文章系统梳理了人工智能在矿产勘探中的应用，涵盖矿物化学、地球物理勘探、卫星影像、地质图和文本数据的多模态AI融合。研究展示了AI从材料相关证据中提取更多价值的能力，同时揭示了当前完全整合型勘探系统仍存在的数据缺口和局限性，重点关注关键矿物资源的勘探效率提升。
物理信息机器学习预测难熔高熵合金八项力学性能 加速高温材料设计
研究人员开发物理信息机器学习框架,结合分位数梯度提升与Born稳定性约束,预测难熔复杂成分合金(CCA)的八项力学性能(体模量、剪切模量、硬度、弹性常数等),使用393个DFT数据点训练,为约10^15种可能组合的实验探索提供筛选工具。
机器学习指导EMT沸石合成条件预测 174组实验数据验证五例新条件实验确认
研究团队基于174组实验合成数据开发机器学习模型，预测EMT沸石的合成条件。通过经典ML方法和预训练基础模型预测沸石骨架类型，特征重要性分析确定了关键合成参数，并在训练集范围外发现六种新条件，其中五种经实验验证确认成功合成EMT沸石。
机器学习筛选近万种溶剂为固态锂电池电解质找出最优残留溶剂组合
研究团队通过机器学习在高通量DFT计算的约10000种溶剂数据集上建立通用筛选准则，将电子性质（HOMO/LUMO）与宏观性质（介电常数/偶极矩/极化率）关联，筛选出N-甲氧基-N-甲基-2,2,2-三氟乙酰胺作为固态聚合物电解质最优残留溶剂。实验验证获得4.5V电化学窗口、5.5×10⁻⁴ S/cm离子电导率和0.78 Li⁺迁移数。