机器学习在材料信息学中的应用综述

• 作者: 但雅波 曹卓 李少波 李想 牛程程 胡建军
• 来源期刊: 材料导报
• 学科: 工学
• 关键词: 材料信息学 材料科学 材料性能 机器学习 大数据
• 年，卷（期）: 2020,（23）
• 所属期刊栏目: 无机非金属及其复合材料
• 页码范围: 23100-23108
• 页数: 9页
• 分类号: TP181|TB302
• 语种: 中文
• DOI: 10.11896/cldb.19110175

摘要

面对巨大的材料设计空间,基于理论研究、实验分析以及计算仿真的传统方法已经跟不上高性能新材料的发展需求.近年来,材料数据库与机器学习的结合带动了材料信息学的进步,推动了材料科学的发展.当前,运用数据驱动的机器学习算法建立材料性能预测模型,然后将其应用于材料筛选与新材料开发的研究引起了学者们的广泛关注.利用机器学习框架搭建材料研究设计平台对材料大数据资源进行分析与预测,成为开发新型材料的重要手段.将机器学习运用于材料科学面临一系列困难,包括根据预测对象确定材料特征的计算或自动抽取,不同精度的实验与计算数据的获取与预处理;选取或者开发合适的机器学习预测模型和训练算法;估计预测效果与预测性能的可靠性;处理材料机器学习问题所独有的小数据、异构数据、非平衡数据等特性.目前研究的焦点是针对不同的材料性能,收集相关的数据集,基于物理原理构造特征表示来训练机器学习模型,并将机器学习的最新技术用于材料信息学.现阶段机器学习已经被应用于光伏、热电、半导体、有机材料等几乎所有的材料设计领域.通过采用机器学习算法训练材料性能的预测模型,并将其用于筛选现有材料数据库或者搜索新的材料,大大加快了新材料发现的过程.目前,国内外科学家借助统计推理与机器学习算法开展了一系列的研究,开发了适合预测不同材料属性的多种材料表征方法,应用了包括深度学习、贝叶斯网络等最新机器学习与人工智能方法,在多类功能材料设计领域取得了突破性的成果.本文主要介绍了机器学习方法在材料性能预测中的相关研究与应用,包括目前最常用的材料数据库资源,多种适用的机器学习算法及应用实例,以及机器学习在材料性能预测中遇到的常见问题.最后对国内外的材料信息学发展现状进行了概括,并对其未来发展进行了展望.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李少波		163	758	13.0	21.0
2	李想		13	9	2.0	3.0
3	胡建军		8	1	1.0	1.0
4	但雅波		7	0	0.0	0.0
5	曹卓		7	0	0.0	0.0
6	牛程程		6	0	0.0	0.0