Последние достижения и применения машинного обучения в физике и материаловедении твёрдого тела

Recent advances and applications of machine learning in solid-state materials science
Miguel A. L. Marques, Jonathan Schmidt, Mário R. G. Marques, Silvana Botti
2019-08-08

активное обучениепредсказание кристаллической структурымашинное обучениеоткрытие материаловматериаловедение твердого тела
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.
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.

Методы машинного обучения, применяемые в науке о твердых веществах

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
Access Type
Author Information
Authors
Miguel A. L. Marques
Jonathan Schmidt
Mário R. G. Marques
Silvana Botti
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%