Поиск и разработка материалов с использованием машинного обучения
Materials discovery and design using machine learning
2017-08-08
SCID: 54.1/ymr369jx
Discuss with AI
машинное обучениепредсказание свойств материаловпроектирование материаловоткрытие материаловколичественные зависимости «структура–активность»
Figures from the paper
Abstract (AI)
Скрининг новых материалов с высокими эксплуатационными характеристиками и моделирование количественных зависимостей «структура—активность» (QSAR), наряду с другими задачами, являются актуальными направлениями исследований в области материаловедения. Традиционные эксперименты и вычислительное моделирование зачастую требуют значительных затрат времени и ресурсов и ограничены условиями проведения экспериментов и теоретическими основами применяемых подходов. Поэтому крайне важно разработать новый метод ускорения процесса поиска и разработки новых материалов. В последнее время поиск и разработка материалов с использованием машинного обучения привлекают все большее внимание и обеспечивают существенное повышение эффективности по времени и точности прогнозирования. В настоящем обзоре сначала описываются типичные режимы и основные процедуры применения машинного обучения в материаловедении, а также классифицируются и сравниваются основные алгоритмы. Затем рассматривается современное состояние исследований, посвященных применению машинного обучения для прогнозирования свойств материалов, поиска новых материалов и других задач. Наконец, обсуждаются проблемы, связанные с использованием машинного обучения в материаловедении, предлагаются возможные решения и прогнозируются перспективные направления дальнейших исследований. Благодаря непосредственному объединению вычислительных исследований с экспериментами мы надеемся получить представление о параметрах, влияющих на свойства материалов, что позволит проводить более эффективные и целенаправленные исследования в области поиска и разработки материалов. Машинное обучение предоставляет новые возможности для скрининга новых материалов с высокими эксплуатационными характеристиками, разработки количественных зависимостей «структура—активность» (QSAR) и других моделей, прогнозирования свойств материалов, поиска новых материалов и выполнения других исследований, связанных с материалами. Обобщены и обсуждены типичные режимы и основные процедуры применения машинного обучения в материаловедении. Для различных областей применения всесторонне рассмотрены методы машинного обучения, используемые для решения различных задач. Существующие проблемы…
Key Findings
1
Объединение вычислительных исследований с экспериментами может выявлять параметры, определяющие свойства материалов, и поддерживать более эффективные целенаправленные исследования.
2
Машинное обучение рассматривается как средство ускорения открытия и проектирования материалов с повышением временной эффективности и точности прогнозирования по сравнению с традиционными подходами.
3
Всесторонне рассмотрено применение машинного обучения для прогнозирования свойств материалов, открытия новых материалов, построения QSAR-моделей и других задач.
4
В обзоре определены существующие проблемы, обсуждены возможные решения и намечены перспективные направления развития машинного обучения в материаловедении.
5
В обзоре обобщены стандартные рабочие процессы и процедуры применения машинного обучения в материаловедении, а также сопоставлены основные классы алгоритмов.
Research Object
материалы и процесс обнаружения и проектирования новых материалов
Research Subject
применение машинного обучения в материаловедении, включая прогнозирование свойств материалов, моделирование количественных зависимостей «структура—активность» и обнаружение новых высокоэффективных материалов
Publication Details
Publication Date
2017-08-08
Journal
Publisher
ISSN
Cited by
1271
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Greedy function approximation: A gradient boosting machine.2001
Искусственный интеллект: современный подход1995
Распознавание образов и машинное обучение2007
Комментарий: Проект Materials Project: геномный подход к материалам для ускорения инноваций в материаловедении2013
Открытая база данных квантовых материалов (OQMD): оценка точности энергий образования, вычисленных методом DFT2015
Работы, цитирующие эту статью9
Последние достижения и применения машинного обучения в физике и материаловедении твёрдого тела2019
Борьба с изменением климата с помощью машинного обучения2022
Искусственный интеллект в передовом производстве: современное состояние и перспективы развития2020
Халькогениды по замыслу: функциональность за счёт мета-валентной связи и пространственного ограничения2020
Искусственный интеллект в физических науках: тенденции и перспективы символьной регрессии2023
Онлайн-прогнозирование механических свойств горячекатаного стального листа с использованием машинного обучения2020
Износо- и коррозионностойкие покрытия для экстремальных условий: достижения, проблемы и перспективы2025
Применение искусственного интеллекта в материаловедении с особым акцентом на топливные элементы и электролизёры2024
Декодирование функции парного распределения урана в расплавленных фторидных солях по данным рентгеновской абсорбционной спектроскопии с использованием машинного обучения2024