没有合适的资源?快使用搜索试试~ 我知道了~
工程10(2022)89研究材料基因组工程-文章数据中心设计:微结构材料系统Wei Chena,Akshay Iyera,Ramin Bostanabadba西北大学机械工程系,埃文斯顿,IL 60208,美国b美国加州大学欧文分校机械与航空航天工程系,邮编:92697阿提奇莱因福奥文章历史记录:收到2020年2020年10月14日修订2021年5月11日接受2022年2月18日在线提供保留字:材料信息学机器学习微结构重构贝叶斯优化混合变量建模降维材料设计A B S T R A C T构建计算材料设计的加工、结构和性质(PSP)关系是高通量计算材料科学时代材料基因组计划的核心。最近在数据采集和存储、微观结构表征和重建(MCR)、机器学习(ML)、材料建模和仿真、数据处理、制造和实验方面的技术进步显著提高了研究人员在构建PSP关系和逆向材料设计方面的能力。在这篇文章中,我们将从设计研究的角度来审视这些进步。特别是,我们介绍了一个以数据为中心的方法,其基本方面分为三类:设计表示,设计评估和设计合成。 这些方面的发展都受到领域知识的指导并从中受益。因此,对于每个方面,我们提出了广泛的计算方法,其集成实现了以数据为中心的材料发现和设计。©2022 The Bottoms.Elsevier LTD代表中国工程院出版,高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)中找到。1. 介绍计算材料科学提供了一个平台,可以更深入地了解不同长度尺度的材料行为。这一进步对各个工业部门特别有意义,因为它使具有工程特性的材料的成本效益设计成为材料基因组计划[1-4]以及设计材料[5,6]、微结构敏感设计[7]和集成计算材料工程[8]等工具和框架的出现也突出了计算材料科学的重要性由于材料逆PSP关系的非唯一性,虽然提供了设计灵活性,但对PSP地图的向前发展提出了挑战(图11)。 1(a))。在20世纪的大部分时间里,材料科学的研究和开发都依赖于昂贵而耗时的*通讯作者。电子邮件地址:weichen@northwestern.edu(W. 陈)。爱迪生式的方法,其中包括许多试验和错误。这种依赖延迟了新兴材料在商业应用中的部署。为了实现材料设计的飞跃,我们需要将材料研究的重点从简单地解释观察到的现象转移到开发科学和预测模型,这些模型可以用可以控制的定量因素来解释和预测材料行为为此,开发了所谓的高通量计算材料科学[12](图13)。 1(b))。这里,中心概念是首先创建一个存储材料的微观结构特征和性能的海量数据库然后,该数据集用于训练机器学习(ML)模型,该模型可以预测(或帮助预测)PSP关系。PSP关系的双向遍历的整体设计策略依赖于解决一些关键挑战:具有成本效益的处理技术、微结构表示和重构、降维和易处理的优化方法。开源材料数据库的出现[13-从设计研究的角度来看,https://doi.org/10.1016/j.eng.2021.05.0222095-8099/©2022 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程杂志首页:www.elsevier.com/locate/engW. Chen,中国山核桃A.Iyer和R.波斯塔纳巴德工程10(2022)8990图1.一、(a)材料基因组计划中的前向和反向PSP链接并不是唯一的;(b)通过高通量模拟和实验进行数据驱动的材料设计图二、以数据为中心的材料设计框架SMILES:简化的分子输入线输入系统。该方法分为设计表示、设计评价和设计综合三大类。这些方面中的每一个都由从存储在数据库中的PSP数据获得的知识指导。设计表现。这包括表征设计中控制因素的方法,即影响材料行为的变量。这些因素取决于物质系统,因此,领域知识可以大大帮助他们的识别。例如,无机化合物的带隙完全由组成决定;因此,组成本身是合适的表示。作为另一个例子,聚合物纳米复合材料的电性能取决于组成和微观结构。由于这两个因素是高维的,因此必须使用谱密度函数(SDF)或物理描述符等微观结构表示方法进行降维。设计评估。这包括用来评估PSP关系的方法所选择的方法在很大程度上取决于潜在现象发生的物质和时空尺度。例如,密度泛函理论(DFT)[19,20]计算捕获原子级性质,如带隙;分子动力学(MD)模拟对分子系综进行建模[21这些方法中的每一种都需要嵌入参数的校准和属性预测的验证,这是通过数据库中包含的实验数据来完成的在实验数据或模拟数据上训练的ML方法已被广泛用于构建替代模型,以取代昂贵的基于物理的模拟。设计综合。这涉及搜索设计空间以识别满足目标属性的(可行的)最优设计。优化方法的选择取决于设计变量的性质-是否有定性和定量的设计变量,在属性评估中存在的不确定性或噪声,以及该方法的计算成本。为了说明制造可行性以及与基本定律和已知材料行为的一致性,通常在优化期间施加约束和界限以确保可行性。应当注意的是,如图2所示,上述三个方面是相互关联的。例如,设计表示的选择-无论是混合变量(定性或定量)还是仅定量-都会影响ML●●●W. Chen,中国山核桃A.Iyer和R.波斯塔纳巴德工程10(2022)8991●设计评价中的搜索技术和设计综合中搜索算法的选择在本文中,在首先概述数据资源的作用之后,我们将回顾这三个方面的挑战和最先进的方法。2. 材料数据资源近年来,人们迅速扩大了建立大型数据资源的努力,以加速材料的发现和设计。大多数这样的数据资源集中在金属材料系统和计算材料数据上,其中软件预测工具可以快速扫描组成空间以预测感兴趣的特定结构和性质。这些数据资源的例子可以在最近的一篇透视文章中找到[24]。我们一直在参与开发聚合物纳米复合材料领域软材料设计的数据资源,称为NanoMine[13,14,25](图3)。NanoMine具有内置的数据管理、探索、可视化和分析功能,拥有来自文献和单个实验室的2500多个样本的管理数据原则上,NanoMine提供了一个可查找、可访问、可互操作和可重复使用(FAIR)的平台,在该平台中,论文中发表的数据可以通过简单的搜索工具直接查找和访问,并具有开放的元数据标准,可与更大的材料数据注册表互操作;该平台还允许轻松重复使用数据,例如对新结果进行基准测试。开发材料数据资源的核心是为感兴趣的领域创建特定的数据模式用于组织NanoMine的元数据框架的材料词汇表在此基础上,我们开发了一个支持本体的知识图框架[14]这有助于NanoMine建立以下六类数据之间的关系:数据资源。该类别中的数据是由都柏林核心标准指导的文献来源的元数据,包括引用来源的数字对象标识符(DOI),作者,标题,关键字,时间和出版物的来源。材料.该类别中的数据涉及材料成分信息,包括填料颗粒、聚合物基质和表面处理。纯基质和填料的特性,例如聚合物化学结构、分子量和颗粒密度,可以与组合物一起输入(即,体积/重量分数)。图三.纳米矿:聚合物纳米复合材料的在线数据资源(www. materialsmine.org)上提供。处理. 这一类别中的数据是对化学合成和实验程序的连续描述目前的模板提供了三个主要类别:溶液加工,熔融混合和原位聚合。对于每个处理步骤,可以输入温度、压力和时间等详细信息。人物刻画。该类别中的数据提供了有关所用材料表征设备、方法和条件的信息。这些信息包括常见的显微成像(扫描电子显微镜和透射电子显微镜),热机械和电气测量,和纳米级光谱学的细节特性.此类别中的数据是材料特性的测量数据,包括机械、电气、热和体积特性。属性数据可以是标量或更高维度的格式,诸如二维(2D)光谱或三维(3D)图。微观结构。该类别中的数据包括捕获纳米相分散状态的原始显微灰度图像。还可以包括几何描述符以描述微结构的统计特性。NanoMine本体作为一种可扩展的知识-该平台是一个材料科学的数据表示平台,允许我们开发的搜索、可视化和数据共享工具扩展到多个领域,并与现有的科学元数据标准进行互操作。除了物理数据,模块化工具(用于微观结构表征和重建(MCR)和模拟软件,以模拟散装纳米复合材料的反应)增加了实验产生的知识。整合这些不同的数据源以创建新知识对于材料设计至关重要。然而,为由成分、微观结构形态和加工条件的无限组合限定的巨大设计空间生成实验或模拟数据这意味着需要以数据为中心的方法,可以有效地interrogate现有的数据和它们之间的插值,以支持设计表示,设计评估和设计合成,发现新的高性能材料。3. 设计表示:微观结构表征和重建由于材料微结构的高维性,在微结构介导的设计中,微结构表示是确保易于处理的设计策略的关键。良好的微观结构表示将提供显著的尺寸减小;体现突出的形态特征;以可以容易地映射到加工条件的方式具有物理意义;并且提供计算有效的重建过程,使得可以创建统计上等效的微观结构,用于评估结构-性能关系并量化与材料异质性相关的不确定性。MCR与ML和材料建模和仿真相结合,是高通量计算材料科学时代发现PSP关系和逆材料设计的重要组成部分。鉴于工程材料中观察到的微观结构的巨大多样性,开发普遍适用的MCR技术具有挑战性。在我们的评论文章[29]中,我们提供了一个广泛的MCR技术的全面审查和他们的算法细节,他们的计算成本,以及他们如何适应PSP映射问题的elaborate。其中,感兴趣的读者可以找到依赖于统计函数(诸如n点相关函数)、物理描述符、SDF、纹理合成和监督/无监督学习的多个类别的MCR方法●●●●●W. Chen,中国山核桃A.Iyer和R.波斯塔纳巴德工程10(2022)8992应用于异质微观结构的MCR技术示例如图4所示。也许最著名的MCR方法是基于空间相关函数(图4(b))[30,31],它提供了形态的概率表示,但依赖于计算密集型模拟退火(SA)算法进行重建。基于描述符的方法(图4(a))[32,33]使用体现重要微观结构细节的一小组不相关描述符来表示微观结构。重建涉及分层优化策略,以将重建的微结构的描述符与目标值相匹配。然而,规则几何特征的使用和椭球簇的假设阻碍了它对具有不规则几何形状的微结构的应用。文献中已经报道了基于磁阻的MCR的其他版本,因为描述符的选择在材料系统中不同,并且取决于感兴趣的属性。最近邻描述符在颗粒非均质系统中的输运过程[9]、再结晶过程中的微观结构演化[34]、颗粒粗化[35]和液相烧结[34]中起着重要作用。在纤维复合材料中,纤维的体积分数(VF)、尺寸、形状和空间分布影响复合材料的机械性能,诸如杨氏模量、极限拉伸模量、拉伸模量和拉伸模量。强度和断裂韧性[36在晶体结构中,晶间腐蚀对晶界敏感[43],因此这些边界必须用作精确设计表示的描述符。ML和人工智能(AI)技术,具有从各向同性/各向异性微结构中学习和重建复杂特征的超强能力,作为重建工具已经得到普及。使用支持向量机[44],监督学习(图4(c))[45,46]和迁移学习(图4(d))[18,47]的基于实例的学习应用已经显示出复杂材料形态的良好重建精度。特别是基于transfer learning的方法,通过利用预先训练的深度卷积神经网络(CNN),Visual Geometry Group 19(VGG-19)[48]和测量原始和重建微观结构之间统计差异的损失函数,仅从一个给定的目标微观结构重建统计等效的微观结构。然后利用在进行模型修剪过程中获得的知识开发结构-性质预测模型,以确定网络结构和初始化条件。虽然基于深度学习的方法对于处理复杂的微观结构形态是强大的,但这些方法通常不见图4。代表性MCR技术。(a)物理描述符;(b)统计函数;(c)监督学习;(d)深度卷积网络;(e)SDF。L-BFGS-B:VGG-19:Visual Geometry Group 19,一个卷积神经网络(CNN),有19层深度,在ImageNet数据库的100多万张图像上训练。W. Chen,中国山核桃A.Iyer和R.波斯塔纳巴德工程10(2022)8993提供了微观结构表征的物理意义,这阻碍了它们在材料设计中的应用。卷积深度信念网络[49]和生成对抗网络(GAN)[50]等深度学习方法正在进行研究,以提供可用作设计变量的低维微结构表征。SDF(图4(e))[9,51-对于各向同性材料,SDF是空间频率的一维(1D)函数,表示频域中的空间位移。虽然SDF中包含的信息相当于两点自相关函数,但Yu et al.[51]已经表明,SDF提供了一种更方便的表示法,可以容易地和合理地映射到加工条件和性能。然而,使用现有方法重建高分辨率3D微结构的计算成本和时间[56此外,虽然现有的SDF技术限于各向同性材料系统,但在一些材料系统中,特别是在性能是潜在传输现象的表现的情况下,如在有机光伏电池(OPVC)、电池、热电装置和用于水过滤的隔膜中,各向异性是高度期望的。在我们最近的工作[59](图5)中,开发了一种各向异性微结构设计策略,该策略利用SDF快速重建2D和3D中的高分辨率、两相、各向同性或各向异性微结构,该策略通过称为各向异性指数的无量纲标量变量量化各向异性。应用于体异质结OPVC的有源层设计案例研究表明,具有强各向异性的优化设计优于各向同性有源层设计。物理感知的SDF方法也提供了显着的维度减少,在设计评估,了解PSP的链接。图五. (a)OPVC示意图。插图显示激子(橙色)解离成质子(蓝色)和电子(绿色),分别行进到阳极(4. 设计评估:PSP关系在基于物理的材料设计中,ML技术已经成为昂贵的PSP模拟器的流行替代品最近关于在材料设计中使用ML和AI技术的综述文章可以在分子和聚合物系统[60]和金属系统[61,62]中找到。如图6所示,虽然可以考虑使用各种统计模型(如神经网络(NN)、随机森林(RF)、树和高斯过程(GP)[63])来创建替代模型,但特征识别在获得具有良好预测能力的可信统计模型“维度灾难”(即,大量的描述符或参数)使得建立具有中等样本数据大小的预测模型极具挑战性。因此,通常使用组合的特征选择和特征提取方法通过将这些ML方法与材料科学领域知识相结合来进行降维。一般来说,特征选择的目标有三个:提高预测性能,提供更具成本效益的预测因子,以及促进数据生成的潜在概率原则的阐述[64]。变量排序是最常用的特征选择技术之一,它可以识别最具信息量的特征,以构建简约的预测模型。我们已经开发了一系列用于微结构特征选择的技术。例如,Xu等人[65]采用了两步特征选择过程,使用描述符成对相关分析(仅基于图像的无监督学习)和回归缓解(RReliefF)变量排名方法[66](基于结构-性能关系的监督学习探索性因素分析[67]是另一种通过将相关描述符分组以构建一组潜在共同因素来识别重要特征的技术。我们将因子分析用于介电聚合物复合材料设计的结构方程建模方法[39]。简而言之,通过特征选择,可以在进行进一步分析之前丢弃冗余的统计特征。与特征选择不同,特征提取将特征空间转换为较低维度的空间,其中物理解释被减少。虽然不像特征选择方法那样保留尽可能多的物理解释,但特征提取技术在降低空间维度方面具有优势,并且更容易训练以实现更高的预测准确性[68,69]。主成分分析(PCA)可能是最知名的线性降维方法,可以将3D微结构图像的高维特征空间转换为低维近似值[70]。还证明了PCA可以有效地将两点相关函数(常用于微观结构表征)的维数降低到仅几个参数[71近年来,由于ML技术的进步,非线性嵌入方法在材料设计中的特征提取得到了快速利用。一组是自底向上的方法,其中假设非线性流形(嵌入原始特征空间)控制数据分布[74,75]。第二种主要方法是自上而下的可以选择多种ML技术来构建考虑多个因素的统计模型,例如r物理行为的性质(非线性和不规则性);s输入变量的类型(定性,定量或混合);t感兴趣的响应(连续或分类);u数据源(噪声实验,确定性模拟或随机模拟);以及v数据量(大数据或小数据)。W. Chen,中国山核桃A.Iyer和R.波斯塔纳巴德工程10(2022)8994ð ÞFGð Þ ¼ð ð Þð Þ图六、材料工程中的特征识别与机器学习PCA:主成分分析。由于需要理解PSP映射中的因果关系,通常使用监督学习方法。虽然线性回归是应用和解释结果的最直接方法,但决策树[77],k-最近邻(k-NN)[78],支持向量机[79,80]和RF[81]更适合于更复杂的行为和混合变量输入;它们也可以灵活地创建回归和分类模型。随着大材料数据越来越可用,最近在ML和材料工程界面上的研究呈指数级增长。NN是由人工神经元层连接的网络,模仿人脑。单个神经元通过所谓的激活函数输出加权输入。深度神经网络(DNN)是具有多个隐藏层的特殊NN,具有卓越的学习能力。对于无机材料,晶体图CNN[82]已被用于使用从开放量子材料数据库(OQMD)获取的DFT计算的热力学稳定性条目来模拟高度非线性行为,以加速材料发现[83]。对于纳米复合材料,我们已经证明,虽然CNN提供了微观结构重建和结构-属性学习的能力此后,低维的LV作为设计变量,和贝叶斯优化(BO)框架可以应用于获得所需的材料性能的微结构。对于有机材料,简化的分子输入线输入系统(SMILES)[84]为大分子提供了有意义的表示,并已用于使用变分自动编码器[85]和强化学习[86]设计合成分子。在小数据的存在下,特别是那些来自determinis的数据-虽然DFT等模拟需要数小时和数天来计算一种材料设计,但GP提供了一种非常可行的方法。 图图7是拟合到所收集的f·的数据的GP模型的1D示例。在每个输入x处,输出f x被视为正态分布的随机变量,GP模型预测其均值和方差。图中的95%预测区间反映了预测的置信区间[87,88]。标准GP方法是在所有输入变量都是定量的前提下开发的,这在涉及代表材料成分、微观组织形态和加工条件的定性和定量设计变量的材料系统中不成立。我们最近提出了一种潜在变量高斯过程(LVGP)[89]建模方法,该方法将定性因素的水平映射到一些潜在的不可观察定量变量的一组数值。换句话说,定性变量被图7.第一次会议。 一个GP模型的一维例子拟合到收集的数据f·。得到想要的模型。定性因素的LV映射为因素的水平提供了固有的排序和结构,这导致对定性因素的影响的实质性洞察。 与大多数监督ML方法不同,LVGP不需要手工制作的特征来描述定性变量。相反,它通过最大化似然函数来学习影响响应(y)的潜在减轻了对特征工程的需求,使LVGP对材料设计应用具有吸引力如图8中概念性地示出的,t j的三个定性水平 2 fl1;l2;l3g原子M,M2 AX相位族与v1;v2;的基础高维空间中的点相关联。 . . 由诸如原子半径、电离能和电子亲合势的物理参数定义。 LVGP提供了一个非线性流形映射ztgv 1t;v 2t;. . 从v到潜在空间Z,三个点之间的距离表示这三个层次对利益属性的影响。混合变量LVGP方法已被测试和验证用于广泛的微结构系统,例如用于优化准随机太阳能电池的光吸收的并行材料选择和微结构优化[90],用于优化混合有机-无机钙钛矿设计的材料组成的组合搜索材料发现和优化是通过LVGP方法与BO设计综合的集成来完成的,这将在下面介绍。5. 设计综合:目标导向型BO由于与设计综合相关的若干挑战,材料发现通常需要数年甚至数十年的时间W. Chen,中国山核桃A.Iyer和R.波斯塔纳巴德工程10(2022)8995见图8。 定性材料成分选择使用从真实高维基础定量变量到2D LVZ的映射建模。随着大数据集的出现,已知材料的性能与期望的目标相差甚远使用现有数据创建的ML模型无法预测“外插”区域中的行为存在大量的候选设计组合在有机材料的设计中,例如在聚合物纳米复合物设计中,存在多种材料成分的选择(例如,填料和基质的类型)和加工条件(例如,表面处理的类型);每种组合遵循对整体性能具有显著影响的完全不同的物理机制在微电子等无机材料的设计中,原子结构-组成可变空间的可能选择 定量和定性材料设计变量的存在导致在性能/性能空间中存在多个脱节区域组合性质在材料建模和寻找最佳解决方案方面提出在过去的五年中,BO方法已经成为材料设计综合的最有效方法[92-材料性能)评估。从一个小的数据集开始,BO依赖于自适应采样技术来有效地接近全局最优值-这是材料设计的一个有吸引力的功能。图 9显示了我们提出的按需目标驱动的数据扩充框架,将精选材料数据库与材料属性模拟和ML集成在一起。该框架是从一个数据库的策划实验和模拟数据描述材料的属性与适当的属性。基于PSP关系,识别已知的属性子集,影响材料性能并作为BO中的设计变量。这些属性可以是定量的(例如,微结构描述符或界面描述符)或定性(例如,填料类型、聚合物或两者的组合)。使用ML模型的预测和不确定性量化,贝叶斯推理确定在材料性能方面表现出最大“潜力”的设计。有几个度量标准-通常称为获取函数-用于评估“潜在”改进。获取功能在设计空间的探索(减少预测不确定性)和开发(优化设计目标)之间取得平衡。最常用的采集函数是预期改善(EI)[96]和改善概率[97]。一旦通过获取功能识别出有希望的设计,则使用“按需”实验、模拟或两者来评估其相应的材料属性。模拟的性质取决于所考虑的材料系统和道具,通常需要校准参数。例如,用于预测纳米复合材料介电性能的有限元模拟需要校准间相移参数[98]。一旦适当的评估完成,设计被添加到数据库中,并重复上述步骤。终止标准通常是最大迭代次数,这取决于模拟或实验所需的成本和时间通过整合第4节中介绍的混合变量LVGP模型和BO框架,我们成功地将BO方法应用于有机、无机和混合材料的设计例如,在并行组成和微结构设计[91]中,电绝缘纳米复合材料的设计被视为多准则优化问题,其目标是最大化介电击穿强度,同时最小化图9.第九条。BO方法将现有数据集视为先验知识,选择新样本,并使用策划的新实验和模拟数据构建ML模型,以捕获PSP关系进行优化。W. Chen,中国山核桃A.Iyer和R.波斯塔纳巴德工程10(2022)8996介电常数和介电损耗(图10)。选择SDF作为微结构表示,并根据实验图像识别底层功能类型。 在数十个模拟和使用多响应LVGP方法,我们的方法确定了一组不同的设计上的帕累托前沿,表明介电性能之间的权衡。这种方法被证明是更有效的比使用遗传算法。使用LVGP的BO的一般性进一步通过对具有与溶剂的最佳结合能的ABX3杂化设计空间由A和X位点各三个选择和溶剂类型的八个选择组成,而B位点保持不变。另外,三个X可以独立地选择。在648种可能的ABX3-溶剂组合中,240种是稳定的,并构成BO的搜索空间。图11(a)显示,与迄今为止通常用于定性变量的乘性协方差(MC)[99,100]GP模型相比,BO与LVGP更快地收敛到最佳组合。此外,LVGP估计的潜在空间提供了对每个定性变量的水平的性质的见解。在图11(b)中,溶剂选择1和7远离其他溶剂的位置表明它们对结合能的影响是不同的。通过分析图11(c)中的结合能分布验证了这一观点,图11(c)显示与溶剂1和7的组合导致更高的结合能。几种材料设计应用程序可以作为一个组合优化问题。例如,我们最近证明,寻找功能性电子材料具有金属-绝缘体转变(MIT)的设计这些结果表明,将混合变量LVGP模型与BO相结合是工程材料系统设计中设计综合的一种有效方法。6. 结论在这里,我们提出了一种以数据为中心的材料设计方法,该方法集成了最先进的微结构分析和设计计算技术。这些技术分为设计表示,设计 评 估 和 设 计 综 合 。 这 种 方 法 的 实 现 得 到 了 材 料 数 据 中 心 ( 如NanoMine)的支持,其中开发了广泛的数据资源和工具,用于微观结构分析和最佳材料设计。正如我们已经说明的,这种发展包括图像预处理、微观结构表征、重建、降维、PSP关系的ML和多目标优化的系统集成。实现设计表示、设计评估和设计综合的无缝集成的一个关键问题是:对于感兴趣的材料系统,适当的微观结构表示是什么?我们提出了一系列基于相关函数、物理描述符、SDF、监督学习和深度学习的微观结构表示技术。虽然这些不同技术的优点因系统而异,但很明显,随机性起着关键作用,图10个。纳米复合材料的成分与微结构并行设计(a)SDF使用参数h表征纳米颗粒分散,使用VF表征纳米颗粒(b)使用LVGP的多标准混合变量BO识别相对于随机选择的初始化样本显示显著改善的帕累托前沿(P代表聚合物类型;S代表表面处理类型。PMMA:聚甲基丙烯酸甲酯; PS:聚苯乙烯)。见图11。(a)比较MC-EI和LV-EI GP的收敛BO与EI采集功能。(b)具有八个水平的“溶剂类型”分类变量的潜在空间。(c)按“溶剂类型”分类的结合能分布W. Chen,中国山核桃A.Iyer和R.波斯塔纳巴德工程10(2022)8997在材料表示和性能预测中必须考虑。对于设计评估,ML方法在知识发现和构建替代物理模拟的替代模型方面发挥了越来越重要的作用。由于材料信息学中大数据和缺乏数据并存,因此必须小心确保所选择的ML技术(如NN,RF或GP)与数据可用性一致随着越来越多的材料数据被生成,深度学习在基于图像的材料信息学中越来越受欢迎,其中对所学习的微观结构特征的解释依赖于开发可解释的深度模型。最后,ML不应被视为材料发现中的一个孤立组件。例如,它与信息理论方法(如BO)的集成可以提供显著的加速。由于材料发现本质上是组合的,它需要混合变量模型,如LVGP,可以处理定性和定量的设计变量。这些模型根据不同材料概念对所需材料特性的影响,提供了“距离”的定量测量需要更多的研究来扩展当前的方法来处理具有数百万或数十亿组合的高维材料设计问题同样的信息理论框架可以扩展到指导批量样品和高通量实验的设计。致谢作者衷心感谢美国国家科学基金会(NSF)持续科学创新计划(OAC-1835782)的网络基础设施,NSF设计材料革命和工程师我们的未来计划(CMMI-1729743),西北大学分层材料设计中心(NIST70 NANB 19 H 005)和高级研究项目“可持续能源”(APAR-E,DE-AR 0001209)的支持。丹尼尔·阿普利博士、凯瑟琳·布林森博士和琳达·沙德勒博士及其学生在所介绍的方法和材料设计案例研究方面的合作非常感谢。遵守道德操守准则Wei Chen、Akshay Iyer和Ramin Bostanabad声明他们没有利益冲突或财务冲突需要披露。引用[1] 美国国家科学技术委员会(National Scienceand材料基因组全球竞争力倡议华盛顿特区:总统执行办公室,国家科学技术委员会; 2011年6月24日。可查阅:https:www.mgi.gov/sites/default/files/documents/materials_genome_initiative-final.pdf。[2] OlsonGB. 前言观点集:材料基因组。 Scr Mater2014;70:1-2.[3] C区材料基 因组计划的全 球竞争力。 在:第 23届先进航 空航天材料和 工艺(AeroMat)会议和展览会论文集; 2012年6月18日[4] McDowell DL,Kalidindi SR.材料创新生态系统:材料基因组计划的关键推动者。MRS Bull2016;41(4):326-37。[5] Olson GB.分层结构材料的计算设计。Science 1997;277(5330):1237[6] Olson GB.设计一个新的物质世界Science2000;288(5468):993-8.[7] 张文,张文忠,张文忠,等.微结构优化设计.北京:机械工业出版社,2000. ProgMater Sci2010;55(6):477-562.[8] 集成计算材料工程委员会。综合计算材料工程:提高竞争力和国家安全的变革学科。Washington,DC:NationalAcademies Press; 2008.[9] 托尔夸托湾随机非均质材料:微观结构与宏观性能。New York:Springer-VerlagNew York; 2002.[10] KumarH,Briant CL,Curtin WA. 利用微观结构重构来模拟复杂微观结构中的力学行为。Mech Mater 2006;38(8- 10):818-32.[11] Agrawal A,Choudhary A.材料信息学与大数据:材料科学“第四范式”的实现。APLMater 2016;4(5):053208。[12] Curtarolo S,Hart GLW,Nardelli MB,Mingo N,Sanvito S,Levy O.高通量高速公路的计算材料设计。Nat Mater 2013;12(3):191-201.[13] 赵红,李新,张勇,谢德勒LS,陈伟,布林森LC.观点:NanoMine:聚合物纳米复合材料分析和设计的材料基因组方法。APL Mater2016;4(5):053204。[14] Zhao H , Wang Y , Lin A , Hu B , Yan R , McCusker J ,et al. NanoMineschema : anextensible data representation for polymer nanocomposites. APLMater2018;6(11):111108。[15] JainA,Ong SP,Hautier G,Chen W,Richards WD,Dacek S,等. 材料计划:加速材料创新的材料基因组方法。APL Mater2013;1(1):011002。[16] [10]李文辉,李文辉,李文辉.高通量密度泛函理论的材料设计和发现:开放量子材料数据库(OQMD)。JOM 2013;65(11):1501-9。[17] CurtaroloS , Setyawan W , Wang S , Xue J , Yang K , Taylor RH , 等 .AFLOWLIB. ORG : 高 通 量 从 头 计 算 的 分 布 式 材 料 属 性 库 。 Comput MaterSci2012;58:227-35.[18] 波斯塔纳巴德河通过迁移学习从2D图像重建3D微结构。2020年12月18日,第102906页。[19] Koch W,Holthausen MC.化学家的密度泛函理论指南。Medford:John Wiley&Sons; 2015.[20] Parr RG.原子与分子的密度泛函理论。In:Fukui K,Pullman A,editors.量子化学的视界。Dordrecht:Springer;1980. p. 五比十五[21] DuanK,He Y,Li Y,Liu J,Zhang J,Hu Y,et al. 机器学习辅助的环氧树脂在宽温度和交联度范围内的粗粒度模型。Mater Des2019;183:108130.[22] Bejagam KK,Singh S,An Y,Deshmukh SA.机器学习的粗粒度模型。J PhysChem Lett 2018;9(16):4667-72。[23] Wang W,Gómez-Bombarelli R.用于分子动力学的粗粒化自动编码器。npjComput Mater2019;5(1):1-9.[24] Himanen L,Geurts A,Foster AS,Rinke P.数据驱动的材料科学:现状,挑战和前景。 Adv Sci 2019;6(21):1900808。[25] BrinsonLC,Deagen M,Chen W,McCusker J,McGuinness DL,SchadlerLS,等. 聚合物纳米复合材料数据:策展,框架,访问,发现和设计的潜力。 ACSMacro Lett 2020;9(8):1086-94.[26] 放大图片Therneau T,Atkinson B,Ripley B. rpart:递归分区和回归树。版本4.1-10 [软件]。2019年5月1日。可查阅:https://rdrr.io/ cran/rpart/。[27] [10]杨文军,李文军.材料数据设施:推进材料科学研究的数据服务。 JOM 2016;68(8):2045-52。[28] Blaiszik B , Ward L , Schwarting M , Gaff J , Chard R , Pike D 等 , Adataecosystemtosupportmachinelearninginmaterialsscience.MRSCommun2019;9(4):1125-33。[29] [10] Bustanabad R,Zhang Y,Li X,Kearney T,Brinson LC,Apley DW,etal. 计算微结构表征与重构:最新技术评述。 Prog Mater Sci 2018;95:1-41.[30] Torquato S.重建随机介质。Phys Rev E 1998;57(1):495-506。[31] Torquato S.重建随机介质。二. 从二维切割得到三维媒体。 物理学 评论E 1998;58(1):224-33。[32] [10]徐华,戴金达,伯克哈特C,陈伟.基于描述符的微结构材料统计表征和三维重建方法。Comput Mater Sci2014;85:206-16.[33] 徐华,李英,Brinson C,陈伟.非均质微结构材料系统之设计方法学。J MechDes2014;136(5):051007.[34] Snyder VA,Alkemper J,Voorhees PW.奥斯特瓦尔德成熟过程中空间相关性的发展:理 论检验。 Acta Mater 2000;48(10):2689-701.[35] 德霍夫扩散控制粗化的几何一般理论金属材料学报1991;39(10):2349-60.[36] Li M,Ghosh S,Richmond O,Weiland H,Rouns TN.颗粒增强金属基复合材料的三维表征与模拟:第一部分:微观组织形态的定量描述。Mater Sci EngA 1999;265(1-2):153-73.[37] NanCW,Clarke DR. 颗粒尺寸和颗粒断裂对金属基复合材料弹塑性变形的影响。材料学报1996;44(9):3801-11.[38] Breneman CM,Brinson LC,Schadler LS,Natarajan B,Krein M,Wu K,等. 追踪材料基因组:纳米结构聚合物虚拟设计的数据驱动方法。 Adv Funct Mater2013;23(46):5746-52.[39] ZhangY,Zhao H,Hassinger I,Brinson LC,Schadler LS,Chen W. 微结构重建与结构方程模型在奈米电介质计算设计中的应用。Integr Mater ManufInnov2015;4:209-34.[40] Karásek L,Sumita M.橡胶-炭黑复合材料中填料分散状态及聚合物-填料相互作用的表征。材料科学杂志1996;31:281-9.W. Chen,中国山核桃A.Iyer和R.波斯塔纳巴德工程10(2022)8998[41] 袁M,Turng LS. 微孔注塑聚酰胺-6纳米复合材料的微观结构与力学性能。聚合物2005;46(18):7273-92.[42] Baghgar M,Barnes AM,Pentzer E,Wise AJ,Hammer BAG,Emrick T,等.交联(P3 HT-b-P3 MT)嵌段共聚物纳米结构中形态学依赖的电子性质。 ACSNano 2014;8(8):8344-9。[43] Rollett AD,Lee SB,Campman R,Rohrer GS.
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![doc](https://img-home.csdnimg.cn/images/20210720083327.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)