Dec, 2023

通往完全数据驱动的岩土工程的途径：材料信息学的经验教训

PDF
TL;DR揭示了将数据驱动的方法论融入到岩土工程中所面临的挑战和机遇，从材料信息学的成功中汲取灵感。强调土壤复杂性、异质性和缺乏全面数据的细节，讨论强调了社区驱动的数据库倡议和开放科学运动的迫切需求。通过利用深度学习的变革力量，特别是从高维数据中提取特征和迁移学习的潜力，我们预见到岩土工程领域向更具协作性和创新性的范式转变。本文以一种具有前瞻性的立场总结，强调了像大型语言模型这样的先进计算工具在重塑岩土工程信息学方面带来的革命潜力。
发现论文，激发创造
  • 机器学习与材料信息学：最近的应用和前景

    介绍了近十年来成功使用数据驱动的材料信息学策略，并指出了该领域面临的挑战和应该在不久的将来克服的挑战。

    Jul, 2017

  • 材料信息学： 一种算法设计规则

    研究论文介绍了材料信息学作为一种第四范式的材料科学研究方法，并通过应用多种神经网络拓扑结构、逻辑公理和推理信息科学，发展出了面向半导体工业的新型有机半导体发现的数据驱动程序，并为材料科学界提供了知识提取。

    May, 2023

  • 工程中融合先验知识的机器学习路径

    本研究介绍一个三级知识集成机器学习方法，在工程领域平衡整体主义和还原主义的视角，以在数据驱动的过程中转移和利用领域知识。

    Jul, 2023

  • 基于数据驱动的具有几何约束的非线性物理系统的计算方法

    该研究介绍了一种将机器学习与传统科学方法相结合的基于数据驱动的框架，将物理学的先验知识与先进的机器学习技术相结合，旨在解决基于第一原理和全力学习方法固有的计算和实际限制。通过嵌入特定于特定类别非线性系统的物理学先验，包括可分离和不可分离的哈密顿系统、双曲型偏微分方程和不可压缩流体动力学，我们的框架展示了四种算法。物理定律的内在结合保留了系统的内在对称性和守恒定律，确保了解的物理合理性和计算效率。这些先验的结合还提高了神经网络的表达能力，使其能够捕捉传统方法常常忽视的物理现象中的复杂模式。因此，尽管依赖于小数据集、短训练周期和小样本量，我们的模型在预测准确性、鲁棒性和预测能力方面优于现有的数据驱动技术，特别是识别训练集中缺失的特征。

    Jun, 2024

  • 重构材料四面体：材料信息提取中的挑战

    材料科学文献信息提取中的机器学习挑战及建立材料知识库的启示。

    Oct, 2023

  • 地理信息系统的数据科学

    数据科学与地理信息系统的结合为完整的空间分析平台提供了发展的可能性，采用机器学习和大数据技术使得这些平台能够处理更大规模、越来越复杂的数据，超越了传统方法的局限性。本研究追踪了数据科学和地理信息系统作为研究领域的历史和技术演变，强调了领域之间的关键交叉点，并突出了许多依赖于这种整合的领域。我们通过在葡萄牙特洛伊使用航拍数据的灾害管理领域的案例研究，阐明了从原始数据中提取见解的过程。最后，我们概述了未来在这些领域整合以及所开发应用的研究前景。

    Apr, 2024

  • 将科学知识与机器学习相结合，用于工程和环境系统

    本文探讨了机器学习与传统基于物理模型的建模方法相结合解决复杂科学和工程问题的创新方法，总结了这些方法的应用领域，并描述了用于构建基于物理引导的机器学习模型和混合物理 - 机器学习框架的分类方法，提出了现有技术的分类方法，揭示了知识漏洞和不同学科间方法的潜在交叉点，可用作未来研究的思路。

    Mar, 2020

  • 固体材料数据驱动本构定律综述

    该综述论文重点介绍了最先进的数据驱动技术，用于发现、编码、替代或仿真描述固体无路径依赖响应的本构法则。我们旨在提供一个有组织的分类体系，介绍过去几十年中开发的各种方法的优点和缺点，并讨论在不同尺度上解释和预测力学行为的不同技术。我们将方法分为基于机器学习和无模型方法，并根据解释能力和所需数据学习过程 / 类型进一步分类，同时讨论了一般化和可信性的关键问题。我们试图提供一个数据可用性感知背景下如何解决这些问题的路线图，并涉及数据采样技术、实验设计、验证和验证等相关方面。

    May, 2024

  • 地球科学和基础模型的结合：通向通用地球科学人工智能系统

    地球科学基础模型通过整合大量跨学科数据模拟和理解地球系统动态，以数据为中心的人工智能范例从结构化和非结构化数据中发现见解，灵活的任务规格、多样的输入和输出以及多模态的知识表示使得全面分析成为可能，但在验证和验证、规模、可解释性、知识表示和社会偏见等方面仍存在挑战，提高模型一体化、分辨率、准确性和公平性的跨学科团队合作是关键，尽管当前存在限制，地球科学基础模型通过探索场景和量化不确定性向气候变化、自然灾害和可持续性等紧迫问题提供了关键见解，其不断向集成化的数据驱动建模演化具有改变范式的潜力。

    Sep, 2023

  • 地球科学中的机器学习：挑战与机遇

    本文介绍了机器学习在地球科学问题中所面临的独特挑战和机遇，强调各种地球科学问题所需的新颖机器学习方法的重要性，并讨论了潜在的方法学发展方向及其在地球科学中的应用。

    Nov, 2017