Применение машинного обучения для прогнозирования и разработки перспективных материалов

В материаловедении традиционные экспериментальные и вычислительные подходы требуют огромных затрат времени и ресурсов, а экспериментальные условия ограничивают возможности проведения исследований. В некоторых случаях традиционные подходы могут не обеспечивать удовлетворительных результатов для поставленной задачи. Поэтому необходимо разрабатывать новые подходы, ускоряющие экспериментальные исследования и предотвращающие неоправданные затраты времени и ресурсов. Как метод, основанный на анализе данных, машинное обучение обеспечивает надежное и точное решение задач материаловедения. В данном обзоре сначала излагаются основные сведения о машинном обучении. Затем рассматриваются исследования, посвященные прогнозированию различных свойств материалов с помощью машинного обучения, обсуждаются методы поиска новых материалов и прогнозирования их структурной информации, а также обобщаются другие применения машинного обучения в материаловедении. Этот обзор будет полезен для дальнейшего применения машинного обучения в более широком спектре исследований в области материаловедения.