Машинное обучение в материаловедении

Традиционные методы поиска новых материалов, такие как эмпирический метод проб и ошибок и методы, основанные на теории функционала плотности (DFT), не способны поспевать за современным развитием материаловедения из-за длительных циклов разработки, низкой эффективности и высоких затрат. Поэтому машинное обучение, отличающееся низкой вычислительной стоимостью и коротким циклом разработки, в сочетании с мощными возможностями обработки данных и высокой прогностической эффективностью широко применяется для обнаружения, анализа и проектирования материалов. В этой статье рассматриваются основные процедуры анализа свойств материалов с помощью машинного обучения, обобщаются современные применения алгоритмов машинного обучения в нескольких зрелых областях материаловедения и обсуждаются усовершенствования, необходимые для широкого применения.