机器学习近期的这些进展发在了大子刊！

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。

机器学习指导3D打印具有定制性能的碳微晶格用于超级电容储能

中国石油大学（华东）胡涵、吴明铂教授（通讯作者）团队报道了机器学习指导3D打印的设计策略，建立了碳微晶格电极结构参数与其超级电容性能之间的机器学习模型，用于可定制的超级电容性能的高效设计。首先，该论文通过3D打印制备了9个具有不同结构参数的电极，在三电极测试条件下评价了其面电容性能。将这9个数据点作为原始的训练集用于构建机器学习模型；其次，作者比较了四种机器学习算法的模型拟合效果，包括随机森林（RF）、线性回归（LR）、支持向量回归（SVR）和人工神经网络（ANN）。模型拟合结果显示随机森林算法（RF）呈现出最佳的拟合效果，R2决定系数高达0.978而均方根误差低至0.073。这是因为随机森林算法在特征选择及子模型生成阶段引入的随机性和鲁棒性非常适合本论文小数据集的预测问题。因此，作者在本文中选择随机森林模型为主要研究对象，详细讨论了电极结构参数的特征重要性以及可定制的超级电容性能，并通过电化学活性面积测试以及有限元分析深入揭示了其内在影响机制。相关成果以“Machine learning guided 3D printing of carbon microlattices with customized performance for supercapacitive energy storage”为标题发表于国际著名期刊《Carbon》，中国石油大学（华东）的博士生杨浩和超威半导体公司的房亮工程师是本文共同第一作者。

机器学习校正DFT计算数据

美国麻省理工学院材料科学与工程系Jeffrey Grossman课题组提出使用机器学习方法来校正密度泛函理论（DFT）的计算数据。在这项工作中，作者以材料形成焓为例，研究迁移学习（transfer learning）和多精度机器学习（multifidelity learning）对于校正材料形成焓预测的效果。作者发现，机器学习方法校正后的形成焓预测数据（基于PBE泛函）与实验数据的误差仅为~0.06 eV/atom, 显著低于传统修正方法修正后的GGA(PBE)泛函的计算数据（~0.1 eV/atom）和meta-GGA泛函的计算数据（0.08 ~ 0.1 eV/atom）。以此为基础，作者使用机器学习方法校正了Materials Project（MP）数据库中所有基于PBE泛函的形成焓预测，重新审视了MP数据库中记录的材料的稳定性预测，并发现了一系列在MP 数据库中稳定性可能被低估了的材料。此外，利用机器学习的方法，作者也揭示了DFT（PBE泛函）预测形成焓时误差出现的规律。此工作以标题“Calibrating DFT formation enthalpy calculations by multifidelity machine learning”发表在JACS Au上。

主动学习策略加速高熵因瓦合金的设计

2022年10月6日，德国马普钢铁研究所韦业博士与Dierk Raabe教授（共同通讯）联合提出了一种主动学习策略，以基于非常稀少的数据，在几乎无限的成分空间中加速高熵因瓦合金的设计。该研究方法是一个闭环，将机器学习与密度泛函理论、热力学计算和实验相结合。研究人员首先使用了699种合金的公开数据训练了学习算法，然后让算法生成大量具有低热系数的候选成分，在加工和表征了17种可能的新合金后，研究人员确定了两种热膨胀系数极低的高熵因瓦合金（在300 K下为约为2×10-6 K^-1）。该方法是一种快速、自动发现具有最佳热、磁和电性能的高熵合金的合适途径。该论文以题为“Machine learning–enabled high-entropy alloy discovery”发表在知名期刊Science上。此前，机器学习也曾多次登上Nature，Science等顶刊，在材料学、医学等领域大放异彩。

更多内容请点击原文链接浏览！

投稿邮箱

tougao@cailiaoren.com

投稿以及内容合作可加微信

cailiaorenVIP

机器学习近期的这些进展 发在了大子刊！

机器学习近期的这些进展发在了大子刊！