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。
文章附圖
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。
標簽：
官網微信
