Machine Learning: Science and Technology期刊2023年亮点文章
感谢所有的作者和审稿人对MLST期刊的支持！希望您喜欢阅读这一合集。
为什么选择在MLST期刊发表您的研究文章？
- 主题范围：MLST期刊欢迎所有科学领域的跨学科研究和多学科合作研究。
- 快速出版：我们致力于提供快速、专业的出版服务，确保快速的初审、受理和出版。一旦被接受，您的文章将在24小时内发表，并将包括一个可引用的DOI。
- 高质量研究：我们提供专业、有建设性和公平的同行评审，可以保证您的研究成为该领域最高质量的研究之一。
- 开放获取：MLST作为一个完全开放获取的期刊，可以帮助您增加文章曝光率和影响力。
- 可引用的数据和代码：发表在MLST上的研究可以包括可引用的数据集和可编程代码，这增加了您的研究被引用的机会。
- 学会出版社：IOP出版社是一家世界领先的学会出版社，发表物理科学及其他领域的最新和最佳研究。IOP出版社获取的所有利润都将回馈给英国物理学会（IOP），用于支持世界各地的研究、教育和推广。
亮点文章
Stefano Mensa, Emre Sahin, Francesco Tacchino, Panagiotis Kl Barkoutsos and Ivano Tavernelli
K M Abubeker and S Baskar
Material transformers: deep learning language models for generative materials design
Nihang Fu, Lai Wei, Yuqi Song, Qinyang Li, Rui Xin, Sadman Sadeed Omee, Rongzhi Dong, Edirisuriya M Dilanga Siriwardane and Jianjun Hu
Applications of physics informed neural operators
Shawn G Rosofsky, Hani Al Majed and E A Huerta
Quantum machine learning of large datasets using randomized measurements
Tobias Haug, Chris N Self and M S Kim
期刊介绍
Machine Learning: Science and Technology
- 2022年影响因子：6.8 Citescore：7.1
- Machine Learning: Science and Technology （MLST）是一本跨学科期刊，致力于发表智能机器在物理、材料科学、化学、生物学、医学、地球科学、天文学和工程学等多学科领域的应用和发展。涉及领域包括：物理学和空间科学；设计和发现新材料和分子；材料表征技术；模拟材料、化学过程和生物系统；原子和粗粒度模拟；量子计算；生物学、医学和生物医学成像；地球科学（包括自然灾害预测）和气候学；模拟方法和高性能计算。同时，也包括机器学习方法在概念上的新进展：新的学习算法；深度学习架构；核心方法；概率和贝叶斯方法；生成方法；强化和主动学习；经常性和基于时间结构的方法；神经启发方法（包括神经形态计算）。