0510-83591626

您所在的位置: 首页 > 新闻动态 > 行业新闻

0510-83591626
材料信息学中的机器学习-最近的应用和进展 发布时间:2018-06-26   浏览量:1821次

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


得益于材料基因组计划、算法开发和其它领域中数据驱动的取得的成功,信息学方法在材料科学中逐步成型。这些方法使机器学习模型能够基于过去的数据进行快速预测,而不是直接实验或通过基本方程显示求解的计算/模拟。以数据为中心的信息学方法(可靠的已经存在的数据或者可以为临界情况下的一个子集)对于确定使用传统方法(涉及成本、时间或效率因素)难以测量或计算的材料属性是有用的。预测通常是插值的,首先涉及材料数字“指纹”,然后在“指纹”和感兴趣的属性之间绘制图形(通过学习算法建立)。“指纹”,通常指的是“描述符”,可能具有多种类型和规模,由应用和需求领域决定。预测也可以外推延伸到新材料领域,并适当地考虑预测不确定性。本文试图提供一些在过去十年中取得成功的数据驱动的“材料信息学”策略的概述,特别强调指纹或描述符的选择,同时还提出目前面临的一些挑战和在不久的将来应该克服的挑战。


文章附图


1:数据驱动的科学和工程的一些经典历史实例

1.jpg


图2:材料科学中机器学习的关键要素。(a)示例性数据集的示意图;(b)学习问题描述;(c)通过指纹和学习步骤创建代理预测模型,n和m分别是训练实例的数目和指纹(或描述符、特征)分量的数目。

2.jpg


3:建立绝缘子本征击穿场强预测的唯象模型。(a)期望与本征击穿场相关的主要特征;(b)利用LASSO建立复合特征、向下选择临界复合特征子集的预测模型;(c)二进制八位字节数据集的最终唯象模型性能 vs DFT计算;(d)新型抗击穿钙钛矿型材料识别模型的应用。

3.jpg


4:利用片段级指纹研究聚合物性质。(a)可用于有机分子、晶体或聚合物的典型片段;(b)有机聚合物指纹图谱构建;(c)核岭回归(KRR)方案的示意图,展示出了指纹(F)空间中的示例情况;(d)代理机器学习(ML)模型预测与关键介电聚合物性能的DFT结果;(e)聚合物基因组在线预测技术在聚合物性能预测中的应用。

4.jpg


从精细级指纹中学习。(aBehler和同事采用亚原子级原子环境指纹图谱方案的示意图;(b)机器学习力场构建的典型工作流程示意图;(c)利用原子力学习框架AGNI和嵌入原子方法(EAM)预测块体铝中的位错附近的原子力,并与相应的DFT结果的比较;(d)用SOAP指纹框架对SI原子环境进行分类降维的示意图。

5.jpg


6:(a)通过不确定性量化实现平衡探索和开发的自适应设计示意图;(b)在多保真度学习设置中使用的示例数据集,包括在不同级别的保真度获得的目标属性和多保真学习问题的陈述。

6.jpg


标签:

联系我们 0510-83591626 18921519533

江苏省无锡市锡山区华夏中路3号文华国际

手机版

Copyright © 2017-2021 江苏隐石实验科技有限公司 All Rights Reserved   备案号:苏ICP备2021030923号-2   技术支持:无锡网站建设公司迅诚科技