Python社区  »  机器学习算法

机器学习这些进展 发在了各大顶刊!

材料人 • 5 月前 • 95 次点击  

机器学习+材料正在成为计算模拟在材料科学领域中的一个新风向!材料人网产品板块致力于收录有价值的新材料成果。欢迎课题组和企业前往网站发布。近期产品库收录的关于机器学习的新思路、新方法如下,部分成果摘录自高校及科研单位官网报道。

基于机器学习的固体氧化物燃料电池阴极材料开发
据深圳大学官网报导,近日,深圳大学土木与交通工程学院谢和平院士与其博士生翟朔分别为通讯和第一作者,香港理工大学倪萌教授、南京工业大学邵宗平教授为共同通讯作者在Nature Energy(IF:67.439)以深圳大学为第一单位发表了题为" A combined ionic Lewis acid descriptor and machine-learning approach to prediction of efficient oxygen reduction electrodes for ceramic fuel cells" 的研究成果。该研究将机器学习、理论计算与陶瓷固体氧化物开发相结合,开发了一个经过实验验证的阴极材料机器学习筛选技术,实现了固体氧化物燃料电池筛选高活性阴极材料的重大突破。基于上述研究思考,该研究创新将机器学习、理论计算与固体氧化物燃料电池阴极材料设计相结合,实现了快速、有效的从庞大的钙钛矿组分中筛选高活性阴极材料。该研究阐明了钙钛矿氧化物路易斯酸性调控策略提升本征活性的机理,揭示了路易斯酸性在A位和B位离子的极化分布引起电子对的偏移,进而降低氧空位的生成能和迁移能垒的机制。该成果为团队正在攻关的“近零碳排放直接煤燃料电池发电技术”提供了理论依据与技术支持。

用于机器学习的锂离子电池寿命预测
德国斯图加特大学Kai Schofer课题组开发了一个基于遗传编程的符号回归的机器学习框架。这种演化算法能够从电池老化数据中推断出物理上可解释的模型,而不需要领域知识。本工作将这种新的方法与案例研究中已有的方法进行了比较,这些案例代表了基于104个汽车锂离子电池周期和日历老化数据的寿命预测的常见任务。平均而言,对存储时间和能量吞吐量的推断的预测精度分别提高了38%和13%。对于其他应力因素的预测,误差减少高达77%。此外,演化生成的老化模型满足了关于适用性、可推广性和可解释性的要求。这突出了演化算法在提高电池老化预测以及洞察力方面的潜力。相关论文以题为:“Machine Learning-Based Lifetime Prediction of Lithium-Ion Cells”发表在Advance Science上。

新型触觉传感器可进行材料信息的感知
近日,中国科学院李舟团队提出了一种基于摩擦电效应的传感阵列可模拟并量化人类对物体材质触觉感知的参数,并对基于摩擦电效应的材料识别机理及应用进行更深层研究和探索。研究者选用四种典型材料聚酰胺(PA66),聚对苯二甲酸乙二醇酯(PET),聚苯乙烯(PS)和聚四氟乙烯(PTFE)作为传感阵列的摩擦层,系统地研究并分析所构建的传感阵列对不同类型材料的响应信号的差异,证实基于摩擦电效应的传感阵列可对材料类型和粗糙度进行有效判断。并基于此设计了一种具有超越人类触觉感知能力的以智能手指为载体的材料识别系统。在机器学习的帮助下,该系统实现了对材料类型和粗糙度的精准识别与分类,仅使用四个传感单元,可对12种常见材料如Acrylic,EVA,Glass,PU,PVC,Silicon,Wood等的种类识别准确率达96.8%,同时可对不同粗糙度的单一材质(Al)的识别准确率达96.5%,识别结果可通过智能手指上的OLED显示屏进行实时显示。为触觉传感器实现材料识别功能提供一种可行的方案。相关研究成果以“Artificial tactile perception smart finger for material identification based on triboelectric sensing”为题发表在Science Advances期刊。论文的共同第一作者为中国科学院北京纳米能源与系统研究所曲学铖博士,谈溥川博士及北京航空航天大学刘卓博士。中国科学院北京纳米能源与系统研究所李舟研究员及罗聃青年研究员为本文的共同通讯作者。

此外,9月,材料人开设新的课程,如果希望在机器学习势这个专题加强的话,建议参加!详情请见:周日开讲!机器学习专题

投稿邮箱
tougao@cailiaoren.com
投稿以及内容合作可加微信
cailiaorenVIP
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/147040
 
95 次点击  
分享到微博