受材料基因組計劃、算法發展和數據驅動的研究在其他領域取得巨大成功的推動，材料科學研究中的信息學方法已逐漸成形。該方法采用機器學習模型，僅依賴已有的數據便可快速做出預測，既不需通過直接的實驗，也不需要求解基本方程來計算/模擬。該方法對于難以用傳統方法測量或計算的材料性能研究將會十分有效，給材料信息學添加了機器學習的翅膀。來自美國康涅狄格州立大學材料科學與工程系及材料科學研究所的Rampi Ramprasad教授，綜述了過去十年來基于數據驅動的“材料信息學”的成功策略，特別強調了材料“指紋”（也稱作“描述符”，可有多種類型和多個尺度）的選擇。綜述還指出了該領域所面臨的一些挑戰以及近期要克服的困難。該文近期發表于npj Computational Materials 3:54 (2017); doi:10.1038/s41524-017-0056-5。
原文Abstract及其翻譯
Machine Learning in Materials Informatics: Recent Applications and Prospects（材料信息學中的機器學習：最新應用與前景）
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 受材料基因組計劃、算法發展和數據驅動的研究在其他領域取得巨大成功的推動，材料科學研究中的信息學方法已逐漸成形。該方法采用機器學習模型，僅依賴已有的數據便可快速做出預測，不需通過直接的實驗以及求解基本方程來計算/模擬。對于難以用傳統方法測量或計算的材料性能研究（因受傳統方法的人力物力成本所限），以數據為中心的材料信息學方法會十分有效，前提是已經存在相關材料的可靠數據或是可根據一些關鍵事例生成出部分密切相關的數據。這些預測通常是內插的（interpolative），即首先從數值上賦予材料“指紋”，然后通過學習算法來建立材料“指紋”與其性能的關系。“指紋”，也稱作“描述符”，可有多種類型和多個尺度，可由應用領域和需求來決定。在對預測的不確定性已有充分考慮的前提下，預測也可以是外推的，即延伸到新的材料空間。本文嘗試對過去十年間基于數據驅動的“材料信息學”成功的策略進行綜述，特別強調了指紋或描述符的選擇。綜述還指出了該領域所面臨的一些挑戰以及近期要克服的困難。
隱石檢測擁有一批在業內取得顯著成就的專業技術人員，在行業內有著豐富的檢測經驗。秉承著專注、專業、高效、想客戶所想的理念，公司積極增加項目和完善更先進的測試儀器設備，保障每一個檢測，分析，研發任務優質高效的完成。同時通過專業所長,為全球數萬家優質客戶提供最及時的行業技術標準信息，和更高精尖的分析檢測解決方案。
隱石檢測分別成立了閥門實驗室，腐蝕實驗室，金相實驗室，力學實驗室，無損實驗室，耐候老化實驗室。從事常壓儲罐檢測，鍋爐能效檢測，金屬腐蝕檢測，SSC應力腐蝕檢測，HIC抗氫致開裂檢測，閥門檢測，應力應變檢測，無損探傷檢測，機械設備檢測，金相分析，石墨烯納米材料檢測，水質檢測，油品檢測涉及的服務范圍已廣泛覆蓋到鋼鐵材料，有色金屬材料，石油化工設備，通用機械設備，冶金礦石，建筑工程材料、航空航天材料，高鐵船舶材料，汽車用零部件、非金屬材料，電子電工產品等各個領域，并獲得了CMA和CNAS;雙重認可。
官網微信
