Поиск и разработка материалов с использованием машинного обучения

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…