本文是最arxiv新发表的一篇文章，展示了计算材料学领域应用人工智能计算和方法的最新成果。本文是介绍了材料学院集成光电子学国家重点实验室、吉林大学科学与工程学院和吉林大学物理学院超硬材料国家重点实验室联合研发的JAMIP框架，建立了一套新的工具体系基于人工智能算法在材料发现领域的应用成果。
摘要：材料信息学已经成为加速材料发现和设计的一种很有前途的新范式。它利用机器学习方法的智能力量，在实验或模拟的海量材料数据中寻找新材料、新功能、新原理等。开发专门的设施来生成、收集、管理、学习和挖掘大规模材料数据是材料信息学的关键。在此开发了一个人工智能辅助数据驱动的基础设施，命名为吉林人工智能辅助材料设计集成包（JAMIP），它是一个开源的Python框架，以满足计算材料信息学的研究要求。它由材料生产工厂、高通量第一原理计算引擎、任务自动提交和监控进度、数据提取、管理和存储系统、基于人工智能机器学习的数据挖掘功能集成而成。集成了无机晶体结构原型数据库等具体功能，以方便高通量计算，并集成了功能材料机器学习研究的相关基本模块。以卤化物过氧化物为典型案例，展示了开发的代码在探索光电半导体材料信息学方面的作用。通过遵守自动化、可扩展性、可靠性和智能化的原则，JAMIP代码是一个很有前途的强大工具，为快速发展的计算材料信息学领域做出了贡献。I.引言目前，材料科学研究正在进入以材料信息学为特色的新模式，将机器学习技术应用于海量材料数据，以加速材料发现和设计。它最早是由材料基因组计划部分推动的，并在实践中兴起，是通过现有计算资源获得海量材料数据，快速发展实验材料合成、表征方法和理论材料模拟的结果。利用材料信息学公认的预测能力，已经取得了令人鼓舞的突破，包括新材料的设计、新关系的确定以及新原理的预测。在实验材料信息学和计算材料信息学领域，迫切需要发展强大的设施/基础设施，以满足这种新模式下的研究需求。生成成分结构-性质关系的海量材料数据，实质上是材料信息学研究的第一步。在计算材料科学领域，一般有三种材料数据生成技术。第一种是通过对单一或少数材料的直接计算。当理论工作者想研究一些实验观察到的材料特性，或者想探索一些以前未研究过的材料的新物理学时，在旧的范式中经常使用这种方法。这类数据分散分布在文献中，可以通过人工或自动文本提取的方法收集。二是通过高通量(HT)计算，根据原型结构自动计算出极其大量的跨越不同化学成分的材料。沿着这个方向，一系列的计算基础设施被开发出来并用于高通量计算。积累的材料计算数据形成了可供查询和研究的数据库。第三种是通过晶体结构检索。第三种是通过晶体结构搜索，在典型的化学成分下寻求新的稳定和可转移的材料结构，这种方法是对高通量计算的补充。这种方法是对高通量计算的补充。它探索材料的潜在能谱，通常是将人工智能全局优化方法与能谱计算相结合。由于在结构搜索研究中，最