您所在的位置: 首頁(yè)?>?新聞動(dòng)態(tài)?>?行業(yè)新聞
Machinelearning in materials informatics: recent applications
and prospects
Rampi Ramprasad,Rohit Batra, Ghanshyam Pilania, et, al
npj ComputationalMaterials (2017) 3:54
doi:10.1038/s41524-017-0056-5
摘要
得益于材料基因組計劃、算法開(kāi)發(fā)和其它領(lǐng)域中數據驅動(dòng)的取得的成功,信息學(xué)方法在材料科學(xué)中逐步成型。這些方法使機器學(xué)習模型能夠基于過(guò)去的數據進(jìn)行快速預測,而不是直接實(shí)驗或通過(guò)基本方程顯示求解的計算/模擬。以數據為中心的信息學(xué)方法(可靠的已經(jīng)存在的數據或者可以為臨界情況下的一個(gè)子集)對于確定使用傳統方法(涉及成本、時(shí)間或效率因素)難以測量或計算的材料屬性是有用的。預測通常是插值的,首先涉及材料數字“指紋”,然后在“指紋”和感興趣的屬性之間繪制圖形(通過(guò)學(xué)習算法建立)。“指紋”,通常指的是“描述符”,可能具有多種類(lèi)型和規模,由應用和需求領(lǐng)域決定。預測也可以外推延伸到新材料領(lǐng)域,并適當地考慮預測不確定性。本文試圖提供一些在過(guò)去十年中取得成功的數據驅動(dòng)的“材料信息學(xué)”策略的概述,特別強調指紋或描述符的選擇,同時(shí)還提出目前面臨的一些挑戰和在不久的將來(lái)應該克服的挑戰。
文章附圖
圖1:數據驅動(dòng)的科學(xué)和工程的一些經(jīng)典歷史實(shí)例
圖2:材料科學(xué)中機器學(xué)習的關(guān)鍵要素。(a)示例性數據集的示意圖;(b)學(xué)習問(wèn)題描述;(c)通過(guò)指紋和學(xué)習步驟創(chuàng )建代理預測模型,n和m分別是訓練實(shí)例的數目和指紋(或描述符、特征)分量的數目。
圖3:建立絕緣子本征擊穿場(chǎng)強預測的唯象模型。(a)期望與本征擊穿場(chǎng)相關(guān)的主要特征;(b)利用LASSO建立復合特征、向下選擇臨界復合特征子集的預測模型;(c)二進(jìn)制八位字節數據集的最終唯象模型性能 vs DFT計算;(d)新型抗擊穿鈣鈦礦型材料識別模型的應用。
圖4:利用片段級指紋研究聚合物性質(zhì)。(a)可用于有機分子、晶體或聚合物的典型片段;(b)有機聚合物指紋圖譜構建;(c)核嶺回歸(KRR)方案的示意圖,展示出了指紋(F)空間中的示例情況;(d)代理機器學(xué)習(ML)模型預測與關(guān)鍵介電聚合物性能的DFT結果;(e)聚合物基因組在線(xiàn)預測技術(shù)在聚合物性能預測中的應用。
圖5 從精細級指紋中學(xué)習。(a)Behler和同事采用亞原子級原子環(huán)境指紋圖譜方案的示意圖;(b)機器學(xué)習力場(chǎng)構建的典型工作流程示意圖;(c)利用原子力學(xué)習框架AGNI和嵌入原子方法(EAM)預測塊體鋁中的位錯附近的原子力,并與相應的DFT結果的比較;(d)用SOAP指紋框架對SI原子環(huán)境進(jìn)行分類(lèi)降維的示意圖。
圖6:(a)通過(guò)不確定性量化實(shí)現平衡探索和開(kāi)發(fā)的自適應設計示意圖;(b)在多保真度學(xué)習設置中使用的示例數據集,包括在不同級別的保真度獲得的目標屬性和多保真學(xué)習問(wèn)題的陳述。
標簽:
江蘇省無(wú)錫市錫山區華夏中路3號文華國際
Copyright ? 2017-2021 江蘇隱石實(shí)驗科技有限公司 All Rights Reserved 備案號:蘇ICP備2021030923號-2 技術(shù)支持:無(wú)錫網(wǎng)站建設公司迅誠科技