待验证50% 置信事实精确时间
GNoME基于图神经网络（GNN），通过学习Materials Project等密度泛函理论（DFT）数据库中已知晶体结构稳定性规律进行预测
1
来源数
50%
置信度
长期有效
时效性
2026/7/11
首次发现
来源
材料创新的真正瓶颈：为何规模化比发现更难？
hackernewshackernews2026/7/10
相关事实
待验证GNoME采用主动学习策略，迭代式地生成候选、预测稳定性、筛选最有价值结构送入DFT计算验证，再更新模型75% 相似待验证研究人员利用图神经网络GNN学习增殖包层中子学仿真，可对任意几何参数组合的TBR值实现亚秒级预测，预测误差控制在1%以内69% 相似待验证GNoME的输出本质上是热力学上可能稳定的结构预测，未纳入合成路径设计、动力学稳定性、杂质容忍度、工艺窗口等工程问题68% 相似待验证HNSW的核心思想借鉴六度分隔理论，通过构建多层跳表网络以对数级复杂度逼近线性扫描的准确率62% 相似待验证GLM 5.2代表智谱在推理能力、上下文窗口扩展和多模态融合演进路径上的重要节点62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/487667API
curl https://kongchang.com/api/v1/knowledge/claims/487667MCP
get_claim(id=487667)