inverse-design

本文提出了一种基于GPT架构的条件催化剂生成模型，在1.33亿个催化剂结构上进行了预训练，实现了98%的结构有效性，并能针对结合能等目标属性进行可控逆向设计。

本文提出了一种范围感知贝叶斯优化框架，该框架直接对候选方案满足目标属性范围的后验概率进行评分，从而能够在多个规格中发现多样化的有效设计。

MIT研究人员提出了一种利用深度神经网络进行核临界实验逆向设计的方法，该方法采用新颖的多组注意力池化架构和基于梯度的优化策略，以最大化中子相似性系数。该方法被应用于验证HALEU燃料运输容器，在三种目标构型下均取得了较高的相似性评分。

PolyFusionAgent是一个框架，结合了多模态聚合物基础模型(PolyFusion)与工具增强、文献基础的设计智能体(PolyAgent)，用于聚合物性能预测与逆向设计，实现证据关联的发现。

提出CoMole，一种基于基序感知图扩散和强化学习的可控分子生成基础模型，在材料和药物发现基准测试中实现了卓越的可控性。

本文介绍了 RL-Kirigami，这是一个结合最优传输条件流匹配和强化学习的框架，用于解决折纸超材料的逆向设计问题，实现了高精度并支持快速的激光切割原型制造。