Последние достижения и применения машинного обучения в физике и материаловедении твёрдого тела
Recent advances and applications of machine learning in solid-state materials science
2019-08-08
SCID: 54.1/kdgvg6v6
Discuss with AI
активное обучениепредсказание кристаллической структурымашинное обучениеоткрытие материаловматериаловедение твердого тела
Figures from the paper
Abstract (AI)
Одним из наиболее перспективных инструментов, вошедших в арсенал материаловедения в последние годы, является машинное обучение. Этот комплекс статистических методов уже продемонстрировал способность существенно ускорять как фундаментальные, так и прикладные исследования. В настоящее время наблюдается стремительный рост работ, посвящённых разработке и применению машинного обучения к системам твёрдого тела. Мы представляем всесторонний обзор и анализ наиболее современных исследований в этой области. Сначала рассматриваются принципы, алгоритмы, дескрипторы и базы данных машинного обучения в материаловедении. Затем описываются различные подходы машинного обучения к открытию стабильных материалов и прогнозированию их кристаллических структур. Далее обсуждаются исследования многочисленных количественных зависимостей «структура—свойство» и различные подходы к замене первопринципных методов методами машинного обучения. Рассматривается применение активного обучения и оптимизации на основе суррогатных моделей для совершенствования процесса рационального проектирования, а также соответствующие примеры. Двумя ключевыми вопросами являются интерпретируемость моделей машинного обучения и физическое понимание, получаемое с их помощью. Поэтому мы рассматриваем различные аспекты интерпретируемости и их значение для материаловедения. Наконец, мы предлагаем решения и перспективные направления дальнейших исследований для различных задач вычислительного материаловедения.
Key Findings
1
Активное обучение и оптимизация на основе суррогатных моделей улучшают рациональное проектирование материалов и связанные с ним приложения.
2
Интерпретируемость моделей и понимание лежащей в их основе физики остаются ключевыми проблемами, требующими решений и дальнейших исследований в вычислительном материаловедении.
3
Машинное обучение позволяет устанавливать количественные взаимосвязи между структурой и свойствами, а также заменять или приближённо воспроизводить вычислительно затратные первопринципные методы.
4
Машинное обучение существенно ускоряет фундаментальные и прикладные исследования в области физики твёрдого тела и материаловедения.
5
Современные исследования применяют машинное обучение для поиска стабильных материалов и предсказания кристаллических структур.
Research Object
Методы машинного обучения, применяемые в науке о твердых веществах
Research Subject
обнаружение материалов, прогнозирование структуры и свойств, вычислительное моделирование, оптимизация и интерпретируемость методов машинного обучения в материаловедении твердого тела
Publication Details
Publication Date
2019-08-08
Journal
Publisher
ISSN
Cited by
2796
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai20
Глубокое остаточное обучение для распознавания изображений2016
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Градиентное обучение для распознавания документов1998
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Greedy function approximation: A gradient boosting machine.2001
Преобразование изображений в изображения с помощью условных состязательных сетей2017
Регуляризация и отбор переменных с помощью Elastic Net2005
Снижение размерности данных с помощью нейронных сетей2006
Руководящие принципы FAIR для управления научными данными и их сопровождения2016
Обучение представлений: обзор и новые перспективы2013
Комментарий: Проект Materials Project: геномный подход к материалам для ускорения инноваций в материаловедении2013
Фотореалистичное повышение разрешения одиночного изображения с использованием генеративной состязательной сети2017
Модель графовой нейронной сети2008
Обзор трансферного обучения2016
Нейронная передача сообщений для квантовой химии2017
Нейронные сети и дилемма смещения/дисперсии1992
О представлении химических окружений2013
Открытая база данных квантовых материалов (OQMD): оценка точности энергий образования, вычисленных методом DFT2015
Квантово-химические структуры и свойства 134 тысяч молекул2014
Поиск и разработка материалов с использованием машинного обучения2017
Работы, цитирующие эту статью11
Объяснимый искусственный интеллект в классификации болезни Альцгеймера: систематический обзор2023
Материаловедение на основе искусственного интеллекта2025
Совершенствование моделей машинного обучения в материаловедении с помощью больших наборов данных2024
Применение машинного обучения для прогнозирования и разработки перспективных материалов2022
Искусственный интеллект и передовые материалы2022
3D Infomax улучшает GNN для предсказания свойств молекул2021
Применение искусственного интеллекта в материаловедении с особым акцентом на топливные элементы и электролизёры2024
Искусственный интеллект и машинное обучение для плазмонного и поверхностно-усиленного сенсинга2026
Рациональное проектирование ансамблей сплавных катализаторов для селективного окисления аммиака на основе машинного обучения2022
Декодирование функции парного распределения урана в расплавленных фторидных солях по данным рентгеновской абсорбционной спектроскопии с использованием машинного обучения2024
Автономные лаборатории для открытия устойчивых наноматериалов2026