Машинное обучение в информатике материалов: современные применения и перспективы

Отчасти благодаря Инициативе «Геном материалов», а отчасти вследствие развития алгоритмов и впечатляющих успехов подходов, основанных на данных, в других областях, в материаловедении начинают формироваться информационные стратегии. Эти подходы приводят к созданию суррогатных моделей машинного обучения, обеспечивающих быстрые прогнозы исключительно на основе ранее накопленных данных, без проведения прямых экспериментов или вычислений/моделирования, в которых фундаментальные уравнения решаются в явном виде. Информатические методы, ориентированные на данные, становятся полезными для определения свойств материалов, которые трудно измерить или вычислить традиционными методами из-за связанных с этим затрат, времени или трудоёмкости, но для которых достоверные данные уже существуют либо могут быть получены по крайней мере для некоторого подмножества критически важных случаев. Прогнозы обычно носят интерполяционный характер: сначала материал численно представляют в виде отпечатка, а затем устанавливают с помощью алгоритма обучения соответствие между этим отпечатком и интересующим свойством. Отпечатки, также называемые «дескрипторами», могут иметь различные типы и масштабы в зависимости от области применения и поставленных задач. Прогнозы могут быть также экстраполяционными — распространяться на новые области пространства материалов, — при условии надлежащего учёта неопределённостей прогнозирования. В статье представлен обзор некоторых успешных стратегий, основанных на данных, в области «информатики материалов», разработанных за последнее десятилетие, с особым вниманием к выбору отпечатков или дескрипторов. В обзоре также обозначены некоторые проблемы, с которыми сталкивается научное сообщество и которые необходимо преодолеть в ближайшем будущем.