There is a growing demand for the use of machine learning (ML) to derive fast-to-evaluate surrogate models of materials properties. In recent years, a broad array of materials property databases have emerged as part of a digital transformation of materials science. However, recent technological advances in ML are not fully exploited because of the insufficient volume and diversity of materials data. An ML framework called "transfer learning" has considerable potential to overcome the problem of limited amounts of materials data. Transfer learning relies on the concept that various property types, such as physical, chemical, electronic, thermodynamic, and mechanical properties, are physically interrelated. For a given target property to be predicted from a limited supply of training data, models of related proxy properties are pretrained using sufficient data; these models capture common features relevant to the target task. Repurposing of such machine-acquired features on the target task yields outstanding prediction performance even with exceedingly small data sets, as if highly experienced human experts can make rational inferences even for considerably less experienced tasks. In this study, to facilitate widespread use of transfer learning, we develop a pretrained model library called XenonPy.MDL. In this first release, the library comprises more than 140 000 pretrained models for various properties of small molecules, polymers, and inorganic crystalline materials. Along with these pretrained models, we describe some outstanding successes of transfer learning in different scenarios such as building models with only dozens of materials data, increasing the ability of extrapolative prediction through a strategic model transfer, and so on. Remarkably, transfer learning has autonomously identified rather nontrivial transferability across different properties transcending the different disciplines of materials science; for example, our analysis has revealed underlying bridges between small molecules and polymers and between organic and inorganic chemistry.

We demonstrate optimization of thermal conductance across nanostructures by developing a method combining atomistic Green's function and Bayesian optimization. With an aim to minimize and maximize the interfacial thermal conductance (ITC) across Si-Si and Si-Ge interfaces by means of Si/Ge composite interfacial structure, the method identifies the optimal structures from calculations of only a few percent of the entire candidates (over 60,000 structures). The obtained optimal interfacial structures are non-intuitive and impacting: the minimum-ITC structure is an aperiodic superlattice that realizes 50% reduction from the best periodic superlattice. The physical mechanism of the minimum ITC can be understood in terms of crossover of the two effects on phonon transport: as the layer thickness in superlattice increases, the impact of Fabry-P\'erot interference increases, and the rate of reflection at the layer-interfaces decreases. Aperiodic superlattice with spatial variation in the layer thickness has a degree of freedom to realize optimal balance between the above two competing mechanism. Furthermore, aperiodicity breaks the constructive phonon interference between the interfaces inhibiting the coherent phonon transport. The present work shows the effectiveness and advantage of material informatics in designing nanostructures to control heat conduction, which can be extended to other interfacial structures.

Additives play a pivotal role in achieving high-quality electrodeposited cobalt films for diverse applications in microelectronics. In this work, 1,4-butynediol (BYD) bearing function groups of CC and -OH, 1,4-butenediol (BED) featuring C = C and -OH, and glycol (EG) with only -OH were studied to reveal the potential underlying mechanism of unsaturated carbon bonds on cobalt electrodeposition. It is found that BYD inhibits both the cobalt deposition and the formation of adsorbed hydrogen, forming compact cobalt film. Furthermore, the surface and cross-section morphology, grain structure, and resistivity of electrodeposited cobalt are characterized to investigate the effects of alkynol additives. It was observed that BYD induces a change in surface morphology from a mixture of elongated ridges and granular shapes to a flattened granular structure. The texture of the electrodeposited cobalt film transformed from hcp(100) and hcp(101) to hcp(002) with the addition of BYD due to the selective absorption of BYD on specific cobalt orientation. This study not only regulates the grains orientations and properties of electrodeposited cobalt, but also enhances the comprehension of the effect and mechanism of unsaturated carbon bonds on cobalt electrodeposition. These findings provide a theoretical foundation for the selection of additives and their practical applications.

Abstract The design of advanced materials for applications in areas of photovoltaics, energy storage, and structural engineering has made significant strides. However, the rapid proliferation of candidate materials—characterized by structural complexity that complicates the relationships between features—presents substantial challenges in manufacturing, fabrication, and characterization. This review introduces a comprehensive methodology for materials design using cutting‐edge quantum computing, with a particular focus on quadratic unconstrained binary optimization (QUBO) and quantum machine learning (QML). We introduce the loop framework for QUBO‐empowered materials design, including constructing high‐quality datasets that capture critical material properties, employing tailored computational methods for precise material modeling, developing advanced figures of merit to evaluate performance metrics, and utilizing quantum optimization algorithms to discover optimal materials. In addition, we delve into the core principles of QML and illustrate its transformative potential in accelerating material discovery through a range of quantum simulations and innovative adaptations. The review also highlights advanced active learning strategies that integrate quantum artificial intelligence, offering a more efficient pathway to explore the vast, complex material design space. Finally, we discuss the key challenges and future opportunities for QML in material design, emphasizing their potential to revolutionize the field and facilitate groundbreaking innovations.

Abstract Efficient recognition and selective capture of NH 3 is not only beneficial for increasing the productivity of the synthetic NH 3 industry but also for reducing air pollution. For this purpose, a group of deep eutectic solvents (DESs) consisting of glycolic acid (GA) and phenol (PhOH) with low viscosities and multiple active sites was rationally designed in this work. Experimental results show that the GA + PhOH DESs display extremely fast NH 3 absorption rates (within 51 s for equilibrium) and high NH 3 solubility. At 313.2 K, the NH 3 absorption capacities of GA + PhOH (1:1) reach 6.75 mol/kg (at 10.7 kPa) and 14.72 mol/kg (at 201.0 kPa). The NH 3 solubility of GA + PhOH DESs at low pressures were minimally changed after more than 100 days of air exposure. In addition, the NH 3 solubility of GA + PhOH DESs remain highly stable in 10 consecutive absorption‐desorption cycles. More importantly, NH 3 can be selectively captured by GA + PhOH DESs from NH 3 /CO 2 /N 2 and NH 3 /N 2 /H 2 mixtures. 1 H‐NMR, Fourier transform infrared and theoretical calculations were performed to reveal the intrinsic mechanism for the efficient recognition of NH 3 by GA + PhOH DESs.

Based on the building thermodynamics model and the physical heat/cold conversion model of an air-conditioning system, this paper proposes a double-layer energy optimization model for a cement factory's office building air-conditioning systems considering dynamic ambient temperature and the entire unit equipment. First, taking the envelope structure, outdoor air, and internal heat sources as the main subjects and considering the heat exchange between human skin and the envelope structure, a building thermal balance model and a refined calculation model of comfort were established. Secondly, the ground source heat pump is considered. A physical model of the operation of the air-conditioning system is set for the equipment, such as heat pumps, circulating water pumps, and variable frequency fans. Then, a two-layer comprehensive optimization model of the cement factory office building air-conditioning system was given based on system power consumption and comfort. The upper model dynamically adjusts the indoor set temperature to obtain the cooling load of the air-conditioning system; the lower model allocates the load rate based on the heat pump unit's performance to optimize the system's overall energy consumption. Finally, a typical case of a double-story model of a cement factory office building using the GA algorithm was compared and verified, showing the effectiveness of the proposed model.