Машинное обучение в материаловедении
Machine learning in materials science
2019-09-01
SCID: 54.1/q3nv9b8n
Discuss with AI
теория функционала плотностимашинное обучениепроектирование материаловоткрытие новых материаловматериаловедение
Figures from the paper
Abstract (AI)
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.
Key Findings
1
Машинное обучение широко применяется для обнаружения, анализа и проектирования материалов.
2
Машинное обучение обеспечивает меньшие вычислительные затраты и более короткие циклы разработки, сочетая это с мощной обработкой данных и высокой точностью прогнозирования.
3
В обзоре описаны основные этапы анализа свойств материалов с помощью машинного обучения и обобщены его применения в нескольких устоявшихся областях материаловедения.
4
Традиционные методы поиска новых материалов, включая эмпирический метод проб и ошибок и методы на основе DFT, ограничены длительными циклами разработки, низкой эффективностью и высокими затратами.
5
Для широкого внедрения машинного обучения в материаловедение необходимы дальнейшие методологические и практические улучшения.
Research Object
применение машинного обучения в материаловедении
Research Subject
анализ, прогнозирование и проектирование свойств материалов с использованием машинного обучения, включая его эффективность и применимость
Publication Details
Publication Date
2019-09-01
Journal
Publisher
ISSN
Cited by
1115
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai10
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Обучение «последовательность-в-последовательность» с помощью нейронных сетей2014
Комментарий: Проект Materials Project: геномный подход к материалам для ускорения инноваций в материаловедении2013
Глубокие нейронные сети для акустического моделирования в распознавании речи: общее мнение четырёх исследовательских групп2012
Глубокие сверточные нейронные сети для автоматизированного обнаружения: архитектуры CNN, характеристики наборов данных и перенос обучения2016
Нейронная передача сообщений для квантовой химии2017
Автоматическое проектирование химических соединений с использованием управляемого данными непрерывного представления молекул2018
MoleculeNet: эталонный набор для машинного обучения молекул2017
О представлении химических окружений2013
Открытая база данных квантовых материалов (OQMD): оценка точности энергий образования, вычисленных методом DFT2015