在本研究中,从日本国立材料科学研究所的数据库中选取了三百六十个关于钢铁四种力学性能——疲劳强度、抗拉强度、断裂强度和硬度——的数据样本,这些数据涵盖了碳钢和低合金钢。使用了五种机器学习算法来预测这三百六十个数据样本所代表的材料的力学性能,其中随机森林回归展示了最佳的预测性能。通过随机森林和符号回归进行...
近日,微软亚洲研究院邀请了中国科学院半导体研究所首席科学家、北京龙讯旷腾公司首席科学顾问汪林望教授,就“高性能大规模原子材料模拟的挑战与机遇”等话题进行了分享,并与微软亚洲研究院副院长、微软研究院科学智能中心亚洲团队负责人、微软杰出首席科学家刘铁岩博士展开了深入对话。汪林望教授在材料科学领域深耕近30年,对...
在过去的十年中,计算可持续性研究所为各种计算可持续性应用开发了人工智能和 ML 方法,这些方法也被用来推进材料发现,反之亦然。 康奈尔大学和加州理工学院的科学家发表以《Computational sustainability meets materials science》为题的评论文章。描述了生态学和材料科学应用产生的协同作用。强调了模型可解释性和结合先前科...
摘要:传统的新材料发现方法,如实证试错法和基于密度泛函理论(DFT)的方法,由于开发周期长、效率低、成本高,无法跟上当今材料科学的发展。因此,由于机器学习的低计算成本和较短的开发周期,机器学习与强大的数据处理和高预测性能相结合,并被广泛应用于材料检测、材料分析和材料设计。在本文中,我们讨论了通过机器学习分析...
通过使用机器学习作为一种图像处理技术，科学家可以在不牺牲准确性的情况下，极大地加快迄今费力的人工定量寻找和查看界面的过程。在从电池到半导体的系统中，边缘和界面在决定材料性能方面起着至关重要的作用。科学家们被迫研究样本中两种或两种以上不同成分相遇的地方，以创造出更坚固、更节能或更持久的材料。#科学了...
机器学习已在材料、纳米材料设计、化学、生物、医药设计、量子化学金属合金、环境等诸多领域得到广泛的发展,机器学习在材料科学的研究应用文章近两年来多次发表在Nature、Science、Angew、Advanced Materials、JACS、Nano Letters、ACS Catalysis、Joule、Matter、En...
机器学习,或者说监督学习,本质上是一种预测规则的寻找。对于材料科学而言,机器学习主要运用于帮助我们加速优化现有体系,并寻找新的体系。 图一:A chart of the highest confirmed conversion efficiencies for champion modules for a range of photovoltaic tec...
目前,机器学习已广泛应用于计算机视觉、自然语言处理、数据挖掘、机器人应用等诸多领域,感受到机器学习的强大魅力,材料学家自然也不能错过这个高端大气上档次的神兵利器。事实上,目前机器学习已被研究人员用来进行材料的研究和设计。本文梳理了近几年Nature系列期刊上机器学习与材料科学的联姻,且看机器学习如何在材料领域...
机器学习与材料设计 机器学习工具箱已经在材料科学的几乎所有主题中得到了卓有成效的应用。它用于光子器件的设计, 斯坦福大学电气工程系的研究人员在一篇题为《Deep neural networks for the evaluation and design of photonic devices》的综述中详细介绍了这一点。
这将大大提高科学家的生产力和创造力，使其能够在药物设计、材料科学和催化等领域获得新的发现与应用。