Py学习  »  机器学习算法

除了打DOTA下围棋  机器学习已帮助我们取得了这些材料科研进展

材料人 • 5 年前 • 456 次点击  


材料人继续推出计算材料成果汇编(月刊),报道计算材料相关重大成果。本篇为机器学习专刊。


1. 机器学习用于预测无机材料的性能


1 Al-Ni-Zr三元区玻璃成形能力的实验测量结果

 

美国的研究人员开发了一种多功能的机器学习框架,以帮助寻找新材料。近期,在美国西北大学Christopher Wolverton人的带领下,研究人员使用利用已知材料数据训练的机器学习技术,生成了预测新材料特定属性的模型。他们通过研究了用于光伏应用的新型结晶化合物以及基于具有形成玻璃的可能性的三元合金金属玻璃,证明了该技术的实用性。研究表明,优化机器学习算法和分区输入数据来可以创建新模型,使得特定参数的预测精度达到最大化。现在该技术将有望供研究人员利用大型材料数据库,从而自动化和加速搜索新的功能材料。


文献链接:A general-purpose machine learning framework for predicting properties of inorganic materials (npj Computational Materials,2018,DOI:10.1038/npjcompumats.2016.28)


2. 原子间势预测锆的相变

2 研究提出的自动检测方法的示意图

 

机器学习发现可以通过锆的新的原子间势能来预测相变。近日,美国洛斯阿拉莫斯国家实验室Turab Lookman等人通过使用高斯型机器学习方法来预测锆中相变的原子间势。他们通过局部原子环境的变化来表述每种原子能量贡献,例如键长、形状和体积。由此产生的机器学习成功描述了纯锆的物理特性。当其用于分子动力学模拟时,它预测了锆相图是温度和压力的函数,与先前的实验和模拟一致。此研究表明,在相变系统中开发学习的原子间势可以帮助我们更好地模拟复杂的系统。


文献链接:Developing an interatomic potential for martensitic phase transformations in zirconium by machine learning (npj Computational Materials,2018,DOI: 10.1038/s41524-018-0103-x)


3. 电子显微图像中的自动缺陷分析


3 提出的自动检测方法的示意流程图

 

电子显微镜和缺陷分析是材料科学的基石,因为它们提供了对各种材料和材料系统的微观结构和性能的详细见解。如果为电子显微镜中的自动缺陷识别和分类建立一个强大而灵活的平台,将可以在记录图像后甚至在图像采集过程中更快地完成分析。然而,需要大量图像来提取统计上显着的信息,而识别目前仍然是手动完成的,这不仅耗时而且会存在不一致的情况。最近,美国威斯康星大学麦迪逊分校Dane Morgan等人和美国橡树岭国家实验室的团队通过将机器学习、计算机视觉和图像分析技术相结合,获得了有关缺陷尺寸和类型的信息。目前,该程序的性能与质量方面的人工分析一致,对其进一步改进可以进行大数据集的实时分析。


文献链接:Automated defect analysis in electron microscopic images (npj Computational Materials,2018,DOI: 10.1038/s41524-018-0093-8)


4. 通过机器学习预测有机太阳能电池的效率


4 FFPCEΔHaΔLb的相关性。ΔHHOMOHOMO-1之间的能量差异,ΔL是给体分子的LUMO+1LUMO之间的能量差异。


为了设计有机光伏(OPV)的有效材料,必须确定控制其属性的最大数量的参数,并使用这些参数(称为描述符)建立模型,以预测功率转换效率(PCE)。近日,南京大学马海波与英国利物浦大学Alessandro Troisi等研究人员通过构建280个小分子OPV系统的数据集,发现了对于所有高性能装置,供体分子的前线分子轨道几乎退化。在这种情况下,轨道除了最高占据分子轨道(HOMO)和最低空分子轨道(LUMO)参与激子形成、激子解离和空穴传输过程,从而影响OPV的宏观性质。通过使用机器学习方法,使用有机材料的13个重要微观特性作为描述符,建立预测PCE的模型。梯度增强模型表明它可以应用于高通量虚拟筛选潜在的新供体分子,从而应用于高效的OPV。


文献链接: Toward Predicting Efficiency of Organic Solar Cells via Machine Learning and Improved Descriptors (Advanced Energy Materials,2018,DOI:10.1002/aenm.201801032)


5. 化合物空间中的量子机器学习


5 基于量子力学通过机器学习增强对性质的理解


到目前为止,人工智能的应用,或者更具体地说是严格的统计分析和通用模型的构建,已经成为现代技术的普遍组成部分。通常提到的包括汽车、飞机或机器人的自动控制,消费者和广告放置的媒体内容建议,投资组合和股票的(高频)交易,控制假肢的外骨骼设备等均可以利用其更好地发挥作用。瑞士巴塞尔大学O. Anatole von Lilienfeld教授提出,机器学习方法可以推断近似解,通过插入先前获得的分子和材料的属性数据集,而不是在数值上求解计算要求的量子或统计力学方程。该研究适用于量子机器学习,是一种可广泛应用于量子化学问题的归纳性分子建模方法。


文献链接: Quantum Machine Learning in Chemical Compound Space (Angewandte Chemie,2018,DOI:10.1002/anie.201709686)


6. 关联的金属Pb/Si(111)单层电荷-密度波相中的手性旋转结构


6 该工作中使用机器学习模型的过程示意图

 

散装金属玻璃(BMG)是一类独特的材料,由于其引人的物理特性,目前已经获得了广泛的应用。而制约了这些材料大规模使用的一个限制是缺乏可预测的工具来分析合金成分与理想性能之间的关系。为了解决这个问题,近日,美国西北大学Chris Wolverton等研究人员开发了一个使用机器学习(ML)模型设计金属玻璃的框架,该模型预测BMG组合物的三个关键特性:存在于非晶态的能力、临界铸造直径和过冷液体范围。该模型仅使用合金的成分作为输入,并且是创建于由数十篇论文和手册组成的8000多个金属玻璃实验的数据库。他们使用这些ML模型来优化现有商业合金的性能,并且通过实验发现,这几种ML预测组合物可以在他们的两个设计变量之一中形成玻璃并超过现有合金。


文献链接: A machine learning approach for engineering bulk metallic glass alloys (Acta Materialia,2018,DOI:10.1016/j.actamat.2018.08.002)


7. 利用机器学习模型对硬磁相成分优化


7 所选化合物描述符的图示


 机器学习(ML)在新材料的发现和设计中发挥着越来越重要的作用。德国弗劳恩霍夫材料力学研究所Johannes J. Möller等研究人员展示了使用硬磁相作为解释说明ML在材料研究方面的潜力。他们构建了基于内核的ML模型,以预测新永磁体的最佳化学成分,这是许多绿色能源技术的关键组成部分。用于训练和测试ML模型的磁性数据是从基于密度泛函理论计算的组合高通量筛选中获得的。他们直接选择描述了不同的构型,随后使用ML模型进行成分优化,从而预测具有类似内在硬磁特性但数量较少的Nd2Fe14B等重要的、最先进磁性材料的稀土元素替代品。


文献链接: Compositional optimization of hard-magnetic phases with machine-learning models (Acta Materialia,2018,DOI:10.1016/j.actamat.2018.03.051)


8. 两步机器学习指导高温铁电钙钛矿的实验研究


8 寻找高温铁电钙钛矿的材料设计挑战

 

美国洛斯阿拉莫斯国家实验室Turab Lookman、美国凯斯西储大学Alp Sehirlioglu与美国弗吉尼亚大学Prasanna V. Balachandran等研究人员展示了一个两步机器学习的方法,以指导实验寻找具有高铁电居里温度的xBi[Me'yMe''(1-y)]O3-(1-x)PbTiO3基钙钛矿。这些涉及分类的学习来筛选钙钛矿结构中的成分,并且回归与主动学习相结合以识别潜在的钙钛矿,用于合成和信息的反馈。该问题是具有挑战性的,因为搜索空间很大,跨越约61500个组合,只有167个是通过实验研究发现的。此外,并非每种组合物都可以在钙钛矿相中合成。在这项工作中,他们预测x、y、Me'和Me''使得所得组合物具有高居里温度并且在钙钛矿结构中形成。然后通过主动学习成功和失败的实验结果,循环迭代地改进机器学习模型。该方法在合成的十种组合物中发现六种钙钛矿,包括三种先前未开发的{Me'Me''}对,其中0.2Bi(Fe0.12Co0.88)O3-0.8PbTiO3显示出最高测量的居里温度达898K。


文献链接:Experimental search for high-temperature ferroelectric perovskites guided by two-step machine learning (Nature Communications,2018,DOI:10.1038/s41467-018-03821-9)


9. 机器学习建模预测超导临界温度


9 超导体数据集和分类模型的性能


开发机器学习方案以高精度地模拟超过12,000种化合物的超导转变温度。近日,美国马里兰大学Valentin Stanev等研究人员,包括来自杜克大学NIST的研究人员,开发了几种机器学习方案,用于模拟超过12,000种已知超导体和候选材料的临界温度(Tc)。他们首先仅根据化学成分训练分类模型,根据其Tc是高于还是低于10 K对已知超导体进行分类。然后,他们开发回归模型来预测各种化合物的Tc值。通过包含AFLOW在线存储库中的数据,可以进一步提高这些模型的准确性。他们将分类和回归模型组合成一个单一的集成管道,以搜索整个无机晶体结构数据库,并预测超过30个新的候选超导体。


文献链接:Machine learning modeling of superconducting critical temperature (npj Computational Materials,2018,DOI:10.1038/s41524-018-0085-8)


10. 使用机器学习精确预测X射线脉冲特性


10 基于机器学习的示意图


自由电子激光器提供超短的高亮度X射线辐射脉冲,对于科学的广泛影响具有巨大的潜力,并且是解开物质结构动力学的关键因素。 为了充分利用这一潜力,必须准确地了解X射线特性:强度、光谱和时间分布。由于自由电子激光器的固有波动,这要求对每个脉冲的特性进行全面表征。虽然存在对这些特性的诊断,但它们通常是具有侵害性的,并且许多不能以高重复率操作。近期,英国帝国理工学院A. Sanchez-GonzalezJ. P. Marangos等研究人员提出了一种绕过这种限制的技术。他们采用机器学习策略,可以通过在一小组完全诊断的脉冲上训练模型,仅使用易于以高重复率记录的参数来准确预测每次射击的X射线属性。这为完全实现下一代高重复率X射线激光器打开了大门。


文献链接:Accurate prediction of X-ray pulse properties from a free-electron laser using machine learning (Nature Communications,2018,DOI: 10.1038/ncomms15461)


本文由材料人计算材料组Annay供稿,材料牛整理编辑。


投稿邮箱

tougao@cailiaoren.com


投稿以及内容合作可加微信

cailiaokefu


如果您想利用理论计算来帮助实验,欢迎您使用材料人计算模拟解决方案。材料人组建了一支来自全国知名高校老师及企业工程师的科技顾问团队,专注于为大家解决各类计算模拟需求。如果您有需求,欢迎扫以下二维码提交您的需求,或直接联系微信客服(微信号:cailiaoren001)


今天看啥 - 高品质阅读平台
本文地址:http://www.jintiankansha.me/t/iwAhDfO5dv
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/23638
 
456 次点击