硅酸盐学报

主动学习辅助材料研发进展

PDF下载

王云帆 ¹ , 田原 ² , 周玉美 ¹ , 薛德祯 ¹

硅酸盐学报 | 机器学习在材料研发中的应用专题—综合评述 2023,51(2): 544-551

收起

硅酸盐学报 |机器学习在材料研发中的应用专题—综合评述 2023 , 51 (2) : 544 -551

主动学习辅助材料研发进展

全屏

王云帆¹, 田原², 周玉美¹, 薛德祯¹

作者信息

^1．西安交通大学，金属材料强度国家重点实验室，西安 710049

^2．上海大学，材料基因组工程研究院，上海 200444

通讯作者:

薛德祯（1984—），男，博士，教授。

作者简介:

王云帆（1996—），女，博士研究生。

Progress on Active Learning Assisted Materials Discovery

Yunfan WANG¹, Yuan TIAN², Yumei ZHOU¹, Dezhen XUE¹

Affiliations

^1.State Key Laboratory for Mechanical Behavior of Materials, Xi'an Jiaotong University, Xi'an 710049, China

^2.Materials Genome Institute, Shanghai University, Shanghai 200444, China

Corresponding Author:

XUE Dezhen (1984-), male, Ph.D., Professor. E-mail: xuedezhen@xjtu.edu.cn

WANG Yunfan (1996-), female, Doctoral candidate. E-mail: wangyunfan@stu.xjtu.edu.cn

出版时间: 2023-02-20 doi: 10.14062/j.issn.0454-5648.20220924

文章导航

摘要

收起

材料研发面临着巨大、复杂、高维的搜索空间，如何从中快速有效选择具有目标性能的新材料是加速材料研发的主要挑战。机器学习可以基于已有的数据，通过算法建立特征和目标性能之间的映射关系，对未探索材料的性能进行预测。但是材料的已知数据比较少，建立的机器学习模型通常预测精度低，难以实现对实验或计算的有效指导。为了解决上述问题，引入主动学习的方法，在传统迭代反馈的基础上，增加了实验设计的步骤，选择对目标提升最有帮助、带有更大信息量的实验进行补充，达到更快的优化材料性能的目的。主要从单目标优化、多目标优化、曲线优化3个方面，回顾了主动学习辅助材料研发的进展。

关键词

材料开发 / 主动学习 / 机器学习 / 不确定性

Abstract

收起

Materials discovery faces a huge and complex high-dimensional search space, from which the fast and effective selection of new materials with target properties is a major challenge in materials development. Machine learning can predict the performance of unexplored materials via establishing the relationship between features and target performance through algorithms based on the existing data. However, there are a relatively few known data for materials, and the machine learning models have a relatively low prediction accuracy, thus making it difficult to achieve an effective guidance for experiments or calculations. To address this problem, active learning was introduced for assistance, and the experimental design step was added to the traditional iterative feedback to select the experiments for target enhancement to supplement and to achieve the optimization of material performance. This review mainly represented recent progress on active learning-assisted materials development from three aspects, i.e., single-objective optimization, multi-objective optimization, and curve optimization.

Key words

materials discovery / active learning / machine learning / uncertainty

引用本文

王云帆, 田原, 周玉美, 薛德祯. 主动学习辅助材料研发进展. 硅酸盐学报, 2023 , 51 (2) : 544 -551 . DOI: 10.14062/j.issn.0454-5648.20220924

Yunfan WANG, Yuan TIAN, Yumei ZHOU, Dezhen XUE. Progress on Active Learning Assisted Materials Discovery[J]. Journal of the Chinese Ceramic Society, 2023 , 51 (2) : 544 -551 . DOI: 10.14062/j.issn.0454-5648.20220924

基金

收起

科技部重点研发计划(2021YFB3802102)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

2023年第51卷第2期

PDF下载

185

引用本文

BibTeX

文章信息

doi: 10.14062/j.issn.0454-5648.20220924

接收时间：2022-10-27
首发时间：2026-10-20
出版时间：2023-02-20

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2022-10-27
修回日期：2022-11-18

基金

科技部重点研发计划(2021YFB3802102)

作者信息

^1．西安交通大学，金属材料强度国家重点实验室，西安 710049

^2．上海大学，材料基因组工程研究院，上海 200444

通讯作者:

薛德祯（1984—），男，博士，教授。

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/gsyxb/CN/10.14062/j.issn.0454-5648.20220924

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT