自机器学习被应用于物质科学研究以来,该技术就被广泛用于预测晶体材料的各种性质,如形成能[4—12]、力学性质[5,9,12—15]、热学性质[12—14,16]、能隙[5,6,9,10,12,17]、超导电性[6,18,19]、磁学性质[10,20—23]等。 在材料设计中,人们首要关心的是稳定性,衡量热力学稳定性的主要参数是形成能。201...
(4)生成式逆向设计:基于生成式模型,根据对材料性能的需求,逆向设计材料的成分和结构。 本文旨在简要介绍上述四个研究方向的最新进展,并展望该领域的未来发展趋势。受篇幅所限,本文未能全面探讨机器学习在计算材料学中的广泛应用。与之密切相关的方向还包括机器学习精确拟合原子间相互作...
自20 世纪80 年代以来，作为独立学科的机器学习（machine learning，ML）一直是人工智能的核心。机器学习具有强大的学习能力，可以重组现有的知识结构并挖掘隐式关系。即使是失败的实验数据，机器学习也可以从中提取有价值的信息。基于机器学习的材料设计，是利用已有的材料数据（包括材料的结构组成或配方、工艺条件和性能...
《基于机器学习的材料设计》综述了基于机器学习的材料设计的*新研究进展,介绍了材料机器学习算法、开源软件和自主研发的材料数据挖掘在线计算平台在合金材料、钙钛矿材料和太阳能电池材料设计上的成功应用案例。《基于机器学习的材料设计》的特色是“机器学习算法深入浅出,上机练习案例学以致用”,附录中的计算平台和算法代...
基于机器学习的材料设计,是利用已有的材料数据(包括材料的结构组成或配方、工艺条件和性能等)构建材料性能预测的机器学习模型,进而利用所建模型高通量筛选未知样本,期望获得性能更好的新材料候选样本(正向设计,即从材料特征变量输入到模型输出性能的估算);或者指定新材料的性能,利用机器学习模型以指定性能为优化设计导向,...
基于机器学习的材料设计,是利用已有的材料数据(包括材料的结构组成或配方、工艺条件和性能等)构建材料性能预测的机器学习模型,进而利用所建模型高通量筛选未知样本,期望获得性能更好的新材料候选样本(正向设计,即从材料特征变量输入到模型输出性能的估算);或者指定新材料的性...
本文将会阐述基于机器学习的材料设计的原理、方法以及应用前景。 一、机器学习在材料设计中的原理与方法 机器学习是一种基于样本数据的自主学习方法,它不仅可以根据现有数据进行分析,还可以从中提取出规律,预测未来可能出现的数据。在材料设计中,机器学习可以通过分析材料的结构和性质来确定最佳结构和配方,从而提高材料的...
《基于机器学习的材料设计》阅读记录目录一、内容概述...21.1 机器学习的发展历程...31.2 材料设计的重要性与挑战...41.3 机器学习在材料设计中的应用前景...5二、机器学习基础知识...72.1 机器学习的定义与分类...
(1)性质预测:利用机器学习挖掘材料的结构—性质关系(即构效关系),再结合材料数据库筛选和设计具有特定性能的新材料。 (2)合成预测:利用机器学习预测材料的合成方案、合成路径、具体的实验合成参数等。 (3)知识发现:利用自然语言模型,对文献库进行数据提取和知识挖掘以辅助材料设计。