Dec, 2023

结构导向的材料和工艺设计中的机器学习

PDF
TL;DR近年来，加速材料创新引起了学术界和工业界的广泛关注。为了为新型先进材料的开发增添价值，必须考虑制造过程，并将材料设计方法与下游工艺设计相结合。本研究提出了一种整体优化方法，涵盖了整个材料的过程 - 结构 - 性能链。采用机器学习技术解决了两个关键的识别问题，即材料设计问题和工艺设计问题。我们应用强化学习与多任务学习的优化方法，在金属成型过程中制造具有所需属性的晶体纹理，展示了该方法的功能。
发现论文，激发创造
  • 关于材料设计的立场论文 —— 现代方法

    机器学习方法克服了传统设计周期中的复杂物理关系和未知不确定性的限制，通过数据驱动学习，表示学习和生成性机器学习方法可以加快新材料的设计过程，并实现对材料行为的预测和解释。

    Dec, 2023

  • 高效材料科学模拟的代理模型：基于机器学习预测微观组织性质

    通过研究两个不同数据集中的六种机器学习技术在材料科学领域的应用，本文分析了这些模型的准确性和稳健性，并阐明了它们性能差异的原因。研究还考察了包含领域知识的影响以及基于训练数据可用性和质量的一般建议。

    Sep, 2023

  • 回收材料的敏捷制造中的机器学习方法实现可持续性

    本研究通过数据驱动的 AI 方法，应用机器学习模型，探索采用再生和回收材料的敏捷制造决策支持的材料科学中的环境可持续性，通过对热处理参数对材料性质的影响、颗粒尺寸检测和短语分数检测进行预测分析，得出了很多有希望的结果，但是之后的工作仍需面对各种挑战。

    Mar, 2023

  • 深度强化学习在过程设计中的应用：综述与展望

    转向可再生能源和原料供应的化工行业需要新的概念性工艺设计方法。最近，人工智能的突破为加速这一转型提供了机会。特别是深度强化学习作为机器学习的一个子类，已显示出解决复杂决策问题和辅助可持续工艺设计的潜力。我们通过三个主要元素调查了强化学习在工艺设计中的最新研究：（i）信息表示，（ii）智能体体系结构和（iii）环境和奖励。此外，我们讨论了潜在挑战的观点和有前景的未来工作，以充分发挥化工工程中强化学习的潜力。

    Aug, 2023

  • 多目标优化与主动学习完全自主材料设计框架：挑战和下一步

    利用多目标黑盒优化的主动学习过程，在实时流数据和模块化多目标优化软件开发技术支持下，实现了自动化连续流化学实验室的自治操作，为电解质生产提供了理想的制造条件。

    Apr, 2023

  • 多晶微结构神经网络加速的过程设计

    探索计算实验在优化材料结构以获得期望性能方面的应用，并利用多尺度方法研究处理 - 微观结构 - 材料性能的相互作用，开发基于神经网络的方法来减轻预测微观结构演变的计算负担，同时实现更快速且更优的材料优化。

    Apr, 2023

  • 一般性用途的无机材料属性预测机器学习框架

    该研究论文介绍了一种新的机器学习框架，用于从现有的材料数据中提取预测模型，方法是使用具有化学多样性的属性列表，并将数据集分成相似材料组，提高预测准确度，可用于预测晶态和非晶材料的多种属性。

    Jun, 2016

  • 利用生成式深度学习从信息受损的衍射数据实现端到端结构解决方案

    介绍了一种新颖的机器学习方法，使用多分支深度神经网络和计算的粉末 X 射线衍射，结合部分化学组成信息，实现对结构的成功求解。

    Dec, 2023

  • LLMatDesign：基于大型语言模型的自主材料发现

    LLMatDesign 是一个基于大型语言模型的可解释材料设计框架，通过使用 LLM 代理来翻译人类指令、修改材料并使用提供的工具评估结果，以零样本的方式适应新任务和条件，通过在几个材料设计任务上系统评估证实其在小数据领域中开发具有用户定义目标属性的新材料的有效性，展示了在计算环境中基于自主 LLM 引导的材料发现对于未来的自动化实验室的显著潜力。

    Jun, 2024

  • 使用不完备的机械知识进行制造过程加速且低成本的机器学习

    本研究提出了一种基于迁移学习的方法，通过使用大量来源于基于物理的流程模型的计算廉价的数据进行 ML 模型训练，然后在少量代价昂贵的实验数据上进行微调，从而降低了新工艺过程物理模型开发的高成本，并且该方法在 Fused Filament Fabrication 的印刷线宽建模中表现良好，减少了模型开发时间、实验成本、计算成本和预测误差。

    Apr, 2023