机器学习在材料设计方面的研究进展

被引：8

作者：

孙中体 ^{[1
]}

李珍珠 ^{[1
]}

程观剑 ^{[1
]}

徐其琛 ^{[1
]}

侯柱锋 ^{[2
]}

尹万健 ^{[1
]}

机构：

[1] 苏州大学能源学院能源与材料创新研究院江苏省先进碳材料与可穿戴能源技术重点实验室

[2] 中国科学院福建物质结构研究所结构化学国家重点实验室

来源：

科学通报 | 2019年 / 64卷 / 32期

基金：

国家重点研发计划;

关键词：

机器学习; 材料设计; 能源转换; 描述符;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习]; TB30 [工程材料一般性问题];

学科分类号：

摘要：

新材料的发现是推动现代科学发展与技术革新的源动力之一,是当前促进经济发展与解决环境问题的迫切需求.传统的材料研发基于试错法,效率低且成本高.大量实验与计算模拟产生的数据为新材料的研发提供了新契机.基于这些数据,机器学习最近在材料性能预测、新材料的发现与设计等领域取得了很大进展.譬如基于材料项目(materials project)数据库对钙钛矿材料的统计分类、结合高通量计算对双钙钛矿卤化物材料稳定性的预测,以及金属间化合物电催化剂的设计与筛选等.除了基于隐式模型的预测,机器学习也可以用来发现具有物理可解释性的显式描述符,从而加速新材料的发现.

引用

页码：3270 / 3275

页数：6

共 12 条

[11] The Pauling File, Binaries Edition[J] . P. Villars,M. Berndt,K. Brandenburg,K. Cenzual,J. Daams,F. Hulliger,T. Massalski,H. Okamoto,K. Osaki,A. Prince,H. Putz,S. Iwata.Journal of Alloys and Compounds . 2003 (1)
[12] New developments in the Inorganic Crystal Structure Database （ICSD）: accessibility in support of materials research and design[J] . Alec Belsky,Mariette Hellenbrandt,Vicky Lynn Karen,Peter Luksch.Acta Cryst. B . 2002 (3‐1)

← 1 2 →