受材料基因组计划、算法发展和数据驱动的研究在其他领域取得巨大成功的推动，材料科学研究中的信息学方法已逐渐成形。该方法采用机器学习模型，仅依赖已有的数据便可快速做出预测，既不需通过直接的实验，也不需要求解基本方程来计算/模拟。该方法对于难以用传统方法测量或计算的材料性能研究将会十分有效，给材料信息学添加了机器学习的翅膀。来自美国康涅狄格州立大学材料科学与工程系及材料科学研究所的Rampi Ramprasad教授，综述了过去十年来基于数据驱动的“材料信息学”的成功策略，特别强调了材料“指纹”（也称作“描述符”，可有多种类型和多个尺度）的选择。综述还指出了该领域所面临的一些挑战以及近期要克服的困难。该文近期发表于npj Computational Materials 3:54 (2017); doi:10.1038/s41524-017-0056-5。

原文Abstract及其翻译

Machine Learning in Materials Informatics: Recent Applications and Prospects（材料信息学中的机器学习：最新应用与前景）

Rampi Ramprasad, Rohit Batra, Ghanshyam Pilania, Arun Mannodi-Kanakkithodi & Chiho Kim

Abstract Propelled partly by the Materials Genome Initiative, andpartly by the algorithmic developments and the resounding successes ofdata-driven efforts in other domains, informatics strategies are beginning totake shape within materials science. These approaches lead to surrogate machinelearning models that enable rapid predictions based purely on past data ratherthan by direct experimentation or by computations/simulations in whichfundamental equations are explicitly solved. Data-centric informatics methodsare becoming useful to determine material properties that are hard to measureor compute using traditional methods—due to the cost, time or effortinvolved—but for which reliable data either already exists or can be generatedfor at least a subset of the critical cases. Predictions are typicallyinterpolative, involving fingerprinting a material numerically first, and thenfollowing a mapping (established via a learning algorithm) between thefingerprint and the property of interest. Fingerprints, also referred to as“descriptors”, may be of many types and scales, as dictated by the applicationdomain and needs. Predictions may also be extrapolative—extending into newmaterials spaces—provided prediction uncertainties are properly taken intoaccount. This article attempts to provide an overview of some of the recentsuccessful data-driven “materials informatics” strategies undertaken in thelast decade, with particular emphasis on the fingerprint or descriptor choices.The review also identifies some challenges the community is facing and thosethat should be overcome in the near future.

摘要 受材料基因组计划、算法发展和数据驱动的研究在其他领域取得巨大成功的推动，材料科学研究中的信息学方法已逐渐成形。该方法采用机器学习模型，仅依赖已有的数据便可快速做出预测，不需通过直接的实验以及求解基本方程来计算/模拟。对于难以用传统方法测量或计算的材料性能研究（因受传统方法的人力物力成本所限），以数据为中心的材料信息学方法会十分有效，前提是已经存在相关材料的可靠数据或是可根据一些关键事例生成出部分密切相关的数据。这些预测通常是内插的（interpolative），即首先从数值上赋予材料“指纹”，然后通过学习算法来建立材料“指纹”与其性能的关系。“指纹”，也称作“描述符”，可有多种类型和多个尺度，可由应用领域和需求来决定。在对预测的不确定性已有充分考虑的前提下，预测也可以是外推的，即延伸到新的材料空间。本文尝试对过去十年间基于数据驱动的“材料信息学”成功的策略进行综述，特别强调了指纹或描述符的选择。综述还指出了该领域所面临的一些挑战以及近期要克服的困难。

隐石检测拥有一批在业内取得显著成就的专业技术人员，在行业内有着丰富的检测经验。秉承着专注、专业、高效、想客户所想的理念，公司积极增加项目和完善更先进的测试仪器设备，保障每一个检测，分析，研发任务优质高效的完成。同时通过专业所长,为全球数万家优质客户提供最及时的行业技术标准信息，和更高精尖的分析检测解决方案。

　　隐石检测分别成立了阀门实验室，腐蚀实验室，金相实验室，力学实验室，无损实验室，耐候老化实验室。从事常压储罐检测，锅炉能效检测，金属腐蚀检测，SSC应力腐蚀检测，HIC抗氢致开裂检测，阀门检测，应力应变检测，无损探伤检测，机械设备检测，金相分析，石墨烯纳米材料检测，水质检测，油品检测涉及的服务范围已广泛覆盖到钢铁材料，有色金属材料，石油化工设备，通用机械设备，冶金矿石，建筑工程材料、航空航天材料，高铁船舶材料，汽车用零部件、非金属材料，电子电工产品等各个领域，并获得了CMA和CNAS;双重认可。