机器学习资料
2013年德国的Katja Hansen等人000在JCTC发表论文：Assessment and Validation of Machine Learning Methods for Predicting Molecular Atomization Energies。
2015年德国的Katja Hansen等人000在在JPCL上发表论文：Machine Learning Predictions of Molecular Properties: Accurate Many-Body Potentials and Nonlocality in Chemical Space。
2017年美国的V. Botu等人000在JPCC上发文:Machine Learning Force Fields: Construction, Validation, and Outlook。
2017年美国的Ying Li等人000在JCTC发表论文：Machine Learning Force Field Parameters from Ab Initio Data。
2017年美国的Rampi Ramprasad团队000在npj Computational Materials上发表论文：A universal strategy for the creation of machine learning-based atomistic force fields。
2017年瑞士的Felix A. Faber等人000在JCTC上发表论文：Prediction Errors of Molecular Machine Learning Models Lower than Hybrid DFT Error.
2017年德国的Felix Brockherde等人000在NC上发表论文：Bypassing the Kohn-Sham equations with machine learning
2018年德国Stefan Chmiela等人000在Nature Communications上发表论文：Towards exact molecular dynamics simulations with machine-learned force fields。
2018年美国普林斯顿大学的Roberto Car团队000在PHYSICAL REVIEW LETTERS上发表论文：Deep Potential Molecular Dynamics: A Scalable Model with the Accuracy of Quantum Mechanics。
2018年美国加州大学的Mathieu Bauchy团队000在Journal of Non-Crystalline Solids发表论文：Predicting the dissolution kinetics of silicate glasses using machine learning。作者评估了基于机器学习的数据驱动模型来预测不同的硅铝酸盐玻璃在广泛的溶液pH值下的溶解速率。研究了四类机器学习方法，包括线性回归、支持向量机回归、随机森林和人工神经网络。结果发现，尽管线性方法无法描述溶解动力学，但人工神经网络方法提供了优秀的预测性能，即使对于未训练的数据也是如此，这要归功于它处理非线性数据的内在能力。
2019年美国加州大学圣地亚哥分校的Chi Chen000在Chemistry of Materials发文：Graph Networks as a Universal Machine Learning Framework for Molecules and Crystals。
2019年美国的Henry Chan等人000在JPCC上发表论文：Machine Learning Classical Interatomic Potentials for Molecular Dynamics from First-Principles Training Data。
2019年Kai Yang等人000通过高通量分子动力模拟和机器学习来预测硅酸盐玻璃的杨氏模量，论文发表在nature旗下的science reports期刊上，论文通讯作者为Mathieu Bauchy，除此之外，其在2019年还发表了一篇机器学习的综述000
2019年美国加州大学的Mathieu Bauchy团队000机器学习（ML）回归方法是利用现有数据库开发预测材料性质的模型的有前途的工具。然而，虽然ML模型通常擅长插值数据，但它们经常不提供可靠的外推，并且可能违反物理定律。本文提出了“拓扑感知ML”的范式来解决传统ML的限制，其中一些网络拓扑特征（而不是传统描述符）被用作ML模型的指纹，并将该方法应用于预测一系列硅酸盐玻璃的前向（第一阶段）溶解速率。我们证明，依赖原子网络的拓扑描述（i）增加了预测的准确性，（ii）增强了预测模型的简单性和可解释性，（iii）减少了大型训练集的需求，（iv）提高了模型外推预测的能力。论文发表在npj Materials Degradation。
2019年美国加州大学的Mathieu Bauchy团队000在Journal of Non-Crystalline Solids: X发表综述性文章。回顾了最近在采用机器学习加速设计新型玻璃的研究进展。
2020年浙江大学Nan Xu000在JPCC上发文“A Deep-Learning Potential for Crystalline and Amorphous Li–Si Alloys”。
2020年吉林大学Qunchao Tong000在JPCL发文“Combining Machine Learning Potential and Structure Prediction for Accelerated Materials Design and Discovery”。
2020年德国Christian Holm团队000在JPCC上发文“DFT Accurate Interatomic Potential for Molten NaCl from Machine Learning”。
2020年美国加州大学Shyue Ping Ong团队000在JPCA上发表论文“Performance and Cost Assessment of Machine Learning Interatomic Potentials”。
2020年日本的Ryosuke Jinnouchi等人000在JPCC上发文：On-the-Fly Active Learning of Interatomic Potentials for Large-Scale Atomistic Simulations。
2020年厦门大学的Pavlo O. Dral000在JPCL上发表论文：Quantum Chemistry in the Age of Machine Learning。
2020年印度的Punyaslok Pattnaik等人000在JPCA上发表论文：Machine Learning for Accurate Force Calculations in Molecular Dynamics Simulations.
2020年Oleg V. Prezhdo000在JPCL上发表论文：Advancing Physical Chemistry with Machine Learning。
2020年中国的Jun Zhang等人000在在JPCA上发表论文：A Perspective on Deep Learning for Molecular Modeling and Simulations。
2020年瑞士的Seyed Mohamad Moosavi等人000在JACS上发表论文：The Role of Machine Learning in the Understanding and Design of Materials。
2020年澳大利亚的Philipp Marquetand团队000在Chemical Reviews上发表论文：Machine Learning for Electronically Excited States of Molecules。
2020年约翰霍普金斯大学的Tim Mueller000基于机器学习来开发原子间的势模型。
2020年德国的Mihail Bogojeski等人000在NC上发表论文：Quantum chemical accuracy from density functional approximations via machine learning。
2020年美国休斯顿大学的 Lars C. Grabow团队000进行了使用人工神经网络对固态电解质中的锂扩散进行加速建模的研究，论文发表在Advanced Theory and Simulations.
2020年中国科学院地质与地球物理研究所地球与行星物理重点实验室的Zhigang Zhang团队000基于机器学习和vasp进行地球核心条件下固态铁和液态铁之间硫的分配：来自具有机器学习势的原子模拟的约束，论文发表在Geochimica et Cosmochimica Acta期刊上。
2020年中山大学的Yutong Lu团队000进行了熔融 ZnCl2及其混合物的 DFT 精确机器学习描述：1. 熔融 ZnCl2 的势发展和性质预测，论文发表在Computational Materials Science期刊上。
2020年北京科技大学的Jianliang Zhang团队000基于主成分分析和K近邻分析建立高炉渣粘度预测模型，论文发表在JOM期刊上。
2021年美国Qing-JieLi等人000在Cell Reports Physical Science上发文“Development of robust neural-network interatomic potential for molten salt”。
2021年华东理工大学的Wenshuo Liang000在ACS Applied Materials & Interfaces发文“Machine-Learning-Driven Simulations on Microstructure and Thermophysical Properties of MgCl2–KCl Eutectic”。
2021年美国的Ganesh Sivaraman000在JPCL发文“Automated Development of Molten Salt Machine Learning Potentials: Application to LiCl”。
2021年瑞士的Markus Meuwly000在Chemical Reviews发表综述“Machine Learning for Chemical Reactions”。
2021年德国的Jörg Behler000在Chemical Reviews发表综述“Four Generations of High-Dimensional Neural Network Potentials”。
2021年德国的Oliver T. Unke000在Chemical Reviews发表综述“Machine Learning Force Fields”。
2021年西班牙的Stefan Doerr等人000在Journal of Chemical Theory and Computation发表论文“TorchMD: A Deep Learning Framework for Molecular Simulations”。
2021年美国的Cai-Zhuang Wang等人000在JPCC上发文：Crystallization of the P3Sn4 Phase upon Cooling P2Sn5 Liquid by Molecular Dynamics Simulation Using a Machine Learning Interatomic Potential。
2021年重庆大学的Zhe Wang团队000通过将分子动力学模拟和机器学习结合起来，研究了CaO-SiO2-Al2O3三元渣系结构和性质间的关系，并进行了热导率预测，论文发表在Journal of Molecular Liquids期刊上。
2021年太平洋西北国家实验室的John D. Vienna团队000提出使用分析模型和机器学习预测多组分硼酸盐和硼硅酸盐玻璃中的硼配位，论文发表在Journal of Non-Crystalline Solids期刊上。
2021年美国哥伦比亚大学的Nongnuch Artrith等人000发表论文 化学机器学习的最佳实践，论文发表在Nature Chemistry期刊上。
2021年中山大学的Yutong Lu团队000基于cp2k进行熔融 ZnCl2及其混合物的 DFT 精确机器学习描述：2.用于CSP的 ZnCl2-NaCl-KCl三元熔盐的势开发和性能预测。论文发表在Computational Materials Science期刊上。
2021年美国路易斯安那州立大学Haiyang Luo团队000进行了Deep neural network potentials for diffusional lithium isotope fractionation in silicate melts研究，论文发表在Geochimica et Cosmochimica Acta期刊上。
2021年中科院生态环境中心的Liguo Wang团队000结合Multiwfn算静电势功能做机器学习，论文以题目SepPCNET: Deeping Learning on a 3D Surface Electrostatic Potential Point Cloud for Enhanced Toxicity Classification and Its Application to Suspected Environmental Estrogens发表在Environmental Science & Technology期刊上。
2021年印度旁遮普大学的Vaneet Saini000利用Multiwfn计算的一些描述符建立了很好的预测分子亲核性的模型，A machine learning approach for predicting the nucleophilicity of organic molecules，发表在pccp上。
2022年华北科技大学的Tao Li团队000通过从头算分子动力学、深度学习理论和深势分子动力学研究了成分对熔融CaO-Al2O3体系结构的影响。论文发表在Journal of Molecular Liquids期刊上。题目为Study on the structural properties of refining slags by molecular dynamics with deep learning potential。
2022年丹麦Aalborg University大学的Morten M. Smedskjaer团队000利用统计力学指导机器学习模型，可以预测氧化物玻璃中非线性的组成结构关系，从而提高组成-性质模型在其训练集之外的准确外推能力。研究表明，与仅依赖于统计物理或单独的机器学习模型相比，这种组合模型能够更准确地揭示Na2O-SiO2玻璃的结构。论文发表在npj Computational Materials期刊上。
2022年美国The Pennsylvania State University的Zhanzhao Li团队000本文回顾了机器学习对混凝土科学所产生的积极影响，并全面讨论了机器学习算法的实施、应用和解释。最后，提出了混凝土学界未来充分利用机器学习模型的发展方向。论文发表在npj Computational Materials。
2020年北京化工大学的周营成：基于群智能和机器学习的新型纳米团簇结构预测研究
2020年广州大学的杨文远：机器学习和高通量筛选金属有机框架的气体分离性能
2020年中国科学技术大学的余海山：结合第一性原理计算和机器学习的材料理论研究