基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
材料的微结构决定了其宏观性质。传统的自下而上的多尺度方法提供了研究微结构和物性关联的整体思路,但针对材料的微观、介观和宏观建模都存在诸多困难,其中不同尺度描述的衔接就极具挑战。随着计算能力以摩尔定律式的提升,和人工智能特别是深度学习的爆炸式进展,基于数据驱动的材料研究成当今世界的研究热点,并在晶体结构预测、稳定性分析、状态方程、光学性质、化学合成等领域都取得了很好的应用效果。深度学习的快速计算和可靠的预测能力能够极大的提升材料模拟效率。其广泛适用性为材料微结构与多尺度模拟中的一些传统难题提供了新的研究思路,有望促进材料微结构与物性的研究,为基于微介观机理的宏观物性建模、满足工程应用要求的材料性质预测提供了新的研究方向。本文将简要介绍深度学习的原理及常用的神经网络类型,概述材料微结构与多尺度建模中的主要方法,随后介绍深度学习在材料微结构与物性研究中的进展,并展望该方法在材料多尺度模拟领域中的发展。
推荐文章
护理本科生深度学习能力与学习动力的相关性研究
本科生
深度学习
学习动力
护理教育
泡沫材料微结构设计与弹性性能分析
泡沫材料
材料微结构
Laguerre图
弹性模量
微结构对多孔材料应变率效应影响的机理研究
固体力学
应变率
应力均匀
微结构
失稳
多孔材料
失效钴酸锂电极材料微结构修复研究
失效钴酸锂
电极材料
微结构
修复
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 深度学习:材料微结构与物性研究中的新动力
来源期刊 现代物理 学科 教育
关键词 深度学习 材料微结构与物性 多尺度模拟
年,卷(期) 2019,(6) 所属期刊栏目
研究方向 页码范围 263-276
页数 14页 分类号 G63
字数 语种
DOI
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 段素青 13 33 3.0 5.0
2 卢果 6 15 2.0 3.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (0)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2019(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
深度学习
材料微结构与物性
多尺度模拟
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
现代物理
双月刊
2161-0916
武汉市江夏区汤逊湖北路38号光谷总部空间
出版文献量(篇)
220
总下载数(次)
278
论文1v1指导