夜夜欢性恔真人免费视频丨免费精品人在线二线三线区别丨亚洲色婷婷一区二区三区丨免费精品国产人妻国语色戒丨欧美人与动牲交免费观看网

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

得益于材料基因組計劃、算法開發和其它領域中數據驅動的取得的成功，信息學方法在材料科學中逐步成型。這些方法使機器學習模型能夠基于過去的數據進行快速預測，而不是直接實驗或通過基本方程顯示求解的計算/模擬。以數據為中心的信息學方法（可靠的已經存在的數據或者可以為臨界情況下的一個子集）對于確定使用傳統方法（涉及成本、時間或效率因素）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（通過學習算法建立）。“指紋”，通常指的是“描述符”，可能具有多種類型和規模，由應用和需求領域決定。預測也可以外推延伸到新材料領域，并適當地考慮預測不確定性。本文試圖提供一些在過去十年中取得成功的數據驅動的“材料信息學”策略的概述，特別強調指紋或描述符的選擇，同時還提出目前面臨的一些挑戰和在不久的將來應該克服的挑戰。

圖1：數據驅動的科學和工程的一些經典歷史實例

圖2：材料科學中機器學習的關鍵要素。（a）示例性數據集的示意圖；（b）學習問題描述；（c）通過指紋和學習步驟創建代理預測模型，n和m分別是訓練實例的數目和指紋（或描述符、特征）分量的數目。

圖3：建立絕緣子本征擊穿場強預測的唯象模型。（a）期望與本征擊穿場相關的主要特征；（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。（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）代理機器學習（ML）模型預測與關鍵介電聚合物性能的DFT結果；（e）聚合物基因組在線預測技術在聚合物性能預測中的應用。

圖5 從精細級指紋中學習。（a）Behler和同事采用亞原子級原子環境指紋圖譜方案的示意圖；（b）機器學習力場構建的典型工作流程示意圖；（c）利用原子力學習框架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原子環境進行分類降維的示意圖。

圖6：（a）通過不確定性量化實現平衡探索和開發的自適應設計示意圖；（b）在多保真度學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習問題的陳述。