材料基因组工程数据库中的数据标识符（DID）及其与智能制造的关联

工程6（2020）612研究材料基因组工程展望DID Code：连接材料基因组工程数据库与可继承集成智能制造的桥梁William Yi Wanga，Peixuan Lia，Deye Linb，Bin Tanga，Jun Wanga，Quanmei Guanc，Qian Yea，Haixing Daid，Jun Gaoc，Xiaoli Fana，Hongchao Koua，Haifeng Songb，Feng Zhou a，Feng Zhoua，MaJijun Mac，Zi-kui Liue，Jinshan Lia，XiaoyangKou a，刘伟民aa西北工业大学凝固过程国家重点实验室，Xib中国工程物理研究院应用物理与计算数学研究所高性能数值模拟软件中心，北京100088c中车唐山有限公司有限公司、中国唐山063035d北京星旅空间科技有限公司有限公司、邮编：100013宾夕法尼亚州立大学材料科学与工程系，University Park，PA 16802，USA阿提奇莱因福奥文章历史记录：收到2019年2019年4月23日修订2019年10月16日接受2020年5月7日网上发售保留字：数据标识符数据库数字孪生综合计算材料工程A B S T R A C T数据标识符（DID）是各种数据库中必不可少的标签或标记，特别是与集成计算材料工程（ICME），可继承集成智能制造（I3 M）和工业物联网相关的数据库。随着开发的指导和快速加速，先进材料的研究，正如世界各国官方文件所设想的那样，需要更多的研究来构建材料信息学的相对数值标准。这项工作提出了一个普遍的DID-由一组构建链组成，与国际和国家标准中的经典标识符形式一致，如ISO/IEC 29168-1：2000、GB/T 27766每个构建链都由大写字母和数字组成，没有符号。此外，每个构建链的总长度不受限制，这遵循ISO/IEC10646国际标准基于这些规则，建议的DID是灵活和方便的扩展和共享在各种基于云的平台和之间。因此，经典的二维（2D）码，包括Hanxin码、批量感知矩阵（LP）码、快速响应（QR）码、网格矩阵（GM）码和数据矩阵（DM）码，可以由智能手机或特定机器构造和精确识别和/或解码通过利用这些2D代码作为与其基于云的平台相关联的一组数据的指纹，可以自发地跟踪组成-加工-结构-性质-性能工作流程过程中的进展和更新©2020 THE COUNTORS.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/）。1. 介绍随着人类进入集成智能制造时代[1-计算材料*通讯作者。电 子 邮 件 地 址 ： zhouf@licp.cas.cn （ F. Zhou ） ， Sjc-majijun@tangche.com （ J.Ma），ljsh@nwpu.edu.cn（J. Li）。在众多的官方文件和计划中，已经概述了材料基因组工程和未来可继承的集成智能制造（I3M）的设想战略，例如美国的材料基因组计划（MGI）[4]，中国的材料基因组工程（MGE）和材料创新使新的技术能力能够解决问题并推动重大的社会进步[6，7]。基于这些先进的材料设计范式，材料发现和工程智能为技术进步开辟了新的前沿[6]，https://doi.org/10.1016/j.eng.2020.05.0012095-8099/©2020 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主页：www.elsevier.com/locate/engW.Y. Wang等人/工程6（2020）612613如大数据[8]、数据挖掘[6]、机器学习[6，9]、人工智能、云计算、金属材料本体和图形知识。与大数据和机器学习相关的技术有助于将理论预测与微观自由度联系起来，从而加速区域材料的设计和合成[9]。例如，通过整合实验衍射数据，对称性的统计反馈和基于密度泛函理论（DFT）的优化算法，第一性原理辅助结构解决方案已成为自动预测晶体结构的新型混合方法[10]。DFT计算和相图计算（CALPHAD）的集成被认为是材料基因组和材料设计的主要部分[11-据了解，ICME是通过计算工具捕获的材料信息与工程产品性能分析和制造过程模拟的集成[5，15]。随着计算材料科学和计算能力的快速发展，多物理场模拟推动了对热力学、动力学、结构、缺陷和性能的多尺度预测，极大地加速了材料数据库或知识库的增长[5，13，16]。 此外，通过集成多尺度模拟，设计策略可以跨越从电子到相和产品的范围[12，14，17，18]，并且可以有效地解决选择目标候选材料的原则和标准[5，13，19从集成智能制造的角度看/工程，数据驱动的ICME支持数字孪生类型的设计/制造范式，突出了材料信息学的重要作用。当第三次工业革命（所谓的数字革命）仍在发展中时，第四次工业革命的重点是基础设施和数字技术，并将非线性和数字技术和学科的再现融入虚拟材料和物理系统领域。在智能辅助设计的时代，新的目标、候选人和策略将通过计算方法提前确定，这有利于企业基于所获得的知识和模型，以更低的成本和更短的时间交付解决方案，以在全球竞争中生存。为了对目标设计、优化、计划和解决方案做出有效的决策，解决公认的“四个V”数据是非常重要的据报道，北美的大型制造商已经花费了近7万亿美元来升级以前的传感器设备，以便使系统能够通过物联网（IoT）相互通信[3]。有效地使用这些运营数据来制定业务决策是一个巨大的挑战或机遇，目前只有大约1%的业务决策这样做[3]。不仅应该对促进数据集自动化收集、管理和分发的工具进行协调一致的调查，而且还应该定义和遵循标准化的数据和元数据格式[6]。例如，可查找性、可访问性、互操作性和可重用性（FAIR）这四个基本原则已被提出作为传统意义上的数据、算法、工具和工作流的指导原则。在数据收集和共享过程中应考虑所谓的FAIR指导原则[6，22]。我们最近的简短回顾[5]讨论了以下因素的主导作用：数据库、工具包、平台、原则、基准和标准。由于数据驱动的ICME的短期目标几乎已经完成，长期目标正在进行中，包括教育下一代ICME劳动力和建立基于网络的ICME基础设施，以提高全球竞争力为了工业和国家安全据了解，构建材料信息学的相关数值标准对于数据挖掘、深度/机器学习和人工智能的发展、有价值数据的验证以及材料创新、发现和设计的加速都是必要的。这也需要加强与工业伙伴的互动和合作[5，6，23]。为了解决将技术从实验室转化为实际应用时出现的问题，美国国家科学技术研究院（NIST）提出了性能和互操作性标准，以加速创新并最大限度地降低新型智能制造技术应用中的风险[3，5]。此外，最近提出的中国测试与材料学会（CSTM）标准草案题为《通则》，材料基因组工程数据是MGE数据内容标准化的第一次尝试，这将对材料科学向数据驱动的科学体系的转变产生深远的影响。本文提出了一种通用的数据标识符（DID）格式由一组构建链组成，作为CSTM系统地建立MGE数据标准的努力的一部分，该标准与国际和国家标准中使用的经典形式的标识符相一致。建议的DID是灵活和方便的扩展和各种基于云的平台之间的共享因此，经典的二维（2D）码可以被智能手机或特定机器构造并精确识别和解码。通过利用这些2D代码作为与其基于云的平台相关联的一组数据的指纹，将自发地跟踪组成-2. 数字孪生智能制造时代2.1. 设计时代的数字孪生制造数字孪生是物理资产的计算机化伴侣;它们是ICME时代的一种新颖设计范式，用于飞机，火车和发动机[3，5]。如图1[5]所示，先进材料的典型发现、设计、创新和制造链由成分、加工、微观结构、性能和性能组成。材料科学中的CPSPP关系或工作流过程在指导材料的发现和制造方面极其重要，并且需要先进的技术，包括高通量计算、增材制造、人工智能、数据挖掘、机器/深度学习等[2，5，24，25]。鉴于自下而上的设计和自上而下的工程[23]，实验链和理论链之间的数字孪生特征在不同的背景颜色中突出MGI强调实验工具、计算工具和数据库的主导作用以及它们之间的相互作用，而HCPS和MGE则强调HCPS之间的相互作用，这暗示了上述先进技术的未来应用工业4.0强调智能制造通过网络物理系统（CPS）实现在智能制造的未来前景中，有两个目标得到了解决：①设想和促进行业的大胆和领导力在美国;②有利于劳动力发展[3]。这些目标也在中国的HCP和MGE中得到考虑。机器学习算法可以通过识别主导和有价值的数据来614W.Y. 王 等/工程 6 （2020）612Fig. 1. ICME时代的数字孪生设计范式示意图，参考了美国的MGI、中国的HCPS和MGE以及德国的工业4.0[5]。MS：微观结构; HCS：加强人-物理和人-网络解释并产生科学知识和模型的关系在建立模型以根据材料的参数预测性能之后，对训练模型中的梯度的进一步分析可以确定主要的和有价值的数据关系，这些数据关系不能通过人工检查或传统的统计分析容易地建立[26]。在数字孪生智能制造时代（也称为“设计时代”），通过将理论自下而上的设计与实验自上而下的工程例程相结合，预计将使用数字孪生智能制造方法以更低的成本更有效地设计和发现新的先进材料。这将加速MGI基础设施的发展，加强HCP中的互动，并通过利用最新的先进技术支持模拟制造未来的新方法。2.2. 在生态系统数据和数据基础设施是保证MGI/MGE、ICME和I3 M.所有这些术语都基于信息学，信息学是一个涵盖数据驱动设计阶段的广义术语，如仓储、可视化和统计学习算法的应用[27]。根据MGI/MGE、ICME和I 3 M中强调的数字孪生智能制造范例，将通过所谓的模拟或数据驱动方法方便地解决选择和制造候选目标材料的原则、标准和策略[5，19，21，26，28 -31]。 数据是材料4.0的基本资源，是工业4.0下I3M的一种形式，如图所示. 2 [8]。材料信息学将是未来工业制造的主要工作站;它包括材料加工和性能的大数据、机器学习算法、多尺度建模、虚拟合成和表征、原型测试和验证以及生命周期评估。例如，数字制造和设计创新研究所（DMDII）是一个DMDII的目标是成为一个卓越的全球性组织，在整个生命周期内实现数据数字化W.Y. Wang等人/工程6（2020）612615图二. 基于网络的材料大数据平台的概念，或材料4.0[8]。过程并整合它，以获得更好的解决方案和决策[3]。DMDII的五年合作协议中获得了一些非常重要的经验、教训②加速数字技术创新;③多方协作实现创新解决方案;以及解决数字制造技术中的同样，计算材料设计中心是ICME的前身和催化剂，由国家科学基金会工业/大学合作研究中心于2005年成立[23]，并作为学术界，工业界和政府耦合的基础，以推动计算材料科学和力学在CPSPP关系组合中的发展。重点是教育和培训未来的劳动力在计算材料设计[23]。良好的数据管理对于数据验证过程后社区的后续数据和知识集成和重用以及知识探索和创新至关重要[22]。鉴于当前大数据及其使用的趋势，数据呈指数级增长，其生成正在变得全球化，并正在向新兴市场转移[3]。自2011年以来，MGI已投资超过2.5亿美元用于软件工具、收集和报告实验数据的标准化方法、主要大学的计算材料科学中心以及大学与商业部门之间的合作伙伴关系，以研究特定应用[32，33]。应建立一个可持续的数据生态系统，包括一套机制（即，标准），其功能类似于自然界中的溪流，小溪和河流，以克服障碍并将单个数据存储库中的数据传输到FAIR原则可以用生态系统的比喻来描述，生态系统包括湖泊（各种数据存储库）、流动（相互连接）、扩散（私人数据）、海洋（收集）以及凝结和沉淀（再利用）。这种运输和流通的驱动力或动机并不是基于所有有用的数据因此，可操作的或有价值的数据应该被标记并与元数据相链接，以便揭示其与元数据的可能联系。空间和时间及其与其他项目的关系[3]。这是促使我们提出本文所讨论的uni-codeDID格式的原因和驱动力。图 3（b）[12，13，32]总结了材料基因组系统的当前基本技术、工具、模型和数据库，并强调了即将到来的基于相基性质和结构管理的能力大幅增强的机会。需要在材料基因组计划中进行更多的基础投资，重点是改进适用的参数化设计模型和构建高质量的数据库[32]。据信，可扩展的、自优化的相平衡基础设施（ESPEI）将是建立“数据海洋”和开发具有多个缺陷的多组分材料的属性数据库的重要组成部分”[32]《易经》云：“君子之道，焉可诬也？有始有卒者，其惟圣人乎。 3（b）[12，13，32]表明，所有当前的计算材料设计方法都基于处理后的数据，而处理后的数据又依赖于原始数据，ESPEI在两种形式的数据收集中发挥着重要作用-也就是说，可以假设这两组数据孕育了所有其他属性[13]。这一概念与图3（a）[13]中所示的“数据海洋”的概念非常吻合此外，通过结合ICME的分层架构或基于MGI数据库的所谓集成计算材料设计（ICMD），ICME/ICMD机械设计模型可以加速创新，最终将工作室构思转移到工业制造中。3. 标准体系3.1. DID码原理及应用通过整合物联网相关技术和基于云的技术，合作努力将促进先进材料的发现和设计，并提高研究生产力，性能和协作。一般来说，一系列基于云的工具（统称为物联网）可以集成实验室中的所有内容，从研究协议和设备到出版物和数据存储[36]。这种数字化实验室管理将远远优于当前的科学工作流程模式，并可能导致616W.Y. 王 等/工程 6 （2020）612图3.第三章。可扩展的、自我优化的相平衡基础设施（ESPEI）在“数据海洋”中扮演着关键角色（a）“数据海洋”的可持续生态系统示意图MSV：多尺度变量; TRL：技术准备水平;FLAPW：全势线性增广平面波; VASP：维也纳从头算模拟包;DICTRA：扩散控制转化; D3 D：Direct 3D。W.Y. Wang等人/工程6（2020）612617到前所未有的研究方法的发展，这将使今天所能做的事情黯然失色。例如，已经建立了一个名为nanoHub.org的网络基础设施，并为全球172个国家的240，000多名用户提供计算纳米技术网络支持[37]。由于它是一个科学云，nanoHub平台的用户可以设计和运行他们的工具，无需安装或最低的基础设施要求;因此，该平台通过用户友好的方法提供这些工具的全球服务。在我们看来，有价值和有用数据的条形码或2D代码形式的标签将被视为一组数据的指纹，并将与其基于云的平台相关联。因此，可以自发地跟踪CPSPP工作流程中的进展和更新，这将加速新型先进材料的发现和制造，并提高研究生产力，性能和协作（图4）。值得一提的是，建立这个基于云的平台的主要优先事项（即，正在进行的平台www.MGE-TriD.com）是其在摩擦学研究领域中发现新型先进润滑材料的合作应用。参与该平台的所有研究人员都可以在全球范围内自发地合作。一旦大量的数据理论上或实验上产生的，云基础设施和低成本存储设备可以直接支持它，并将其推向可能对其感兴趣的研究人员[36]。如图5所示，提出了一种由一组构建链组成的通用DID格式，该格式与国际和国家标准中使用见图4。基于云的平台的示意图，呈现了DID编码介导的数字孪生创新/制造范例，其为自发地跟踪CPSPP设计和发现过程铺平了道路。IMTD：智能制造技术数据。图五.根据现有的国际、国家和组织标准，展示DID代码推荐构造规则的示意图。 ESTA：对象标识符; ID：标识符; LP：批次感知矩阵; QR：快速响应; GM：网格矩阵; DM：数据矩阵。618W.Y. 王 等/工程 6 （2020）612标准，如ISO/IEC 29168-1：2000[38]、GB/T 27766[39]、GA/T 543.22011[42]、SL 325[45]和QX/T 39 -2005 [46]。在这里，每个构建链都由大写字母和数字组成，没有符号，并且可以从完善的基于云的平台构建或转换。例如，智能制造技术数据（IMTD）服务平台中使用的DID原则已被考虑并集成到我们正在进行的平台（TriD.com）中。此外，每个构建链的总长度不受限制，这遵循ISO/IEC 10646国际标准中的通用编码字符集的形成。 基于这些规则，建议的DID是灵活和方便的扩展和各种基于云的平台之间的共享。因此，包括Hanxin码、批量感知矩阵（LP）码、快速响应（QR）码、网格矩阵（GM）码和数据矩阵（DM）码的经典2D码可以由智能手机或特定机器构造并精确识别和解码。通过利用这些2D代码作为与其基于云的平台链接的一组数据的指纹，可以自发地跟踪CPSPP工作流程中的进度和更新。此外，DID代码不仅在基于云的平台上提供数据指纹或一组数据的记录，而且还支持构建I3M核心的未来技术，包括先进材料、大数据分析、云计算、工业互联网和移动设备（图6）。DID代码将在ICME时代的数字孪生设计范式中改进HCS、HPS、CPS交互。例如，增材制造、机器学习和大数据分析（或数据挖掘）等先进技术在数据驱动的智能ICME中得到了强调，并且可以被视为航空航天和运输行业中材料和系统的多尺度建模和基于仿真的设计的催化剂[24，47]。机器学习正在引起越来越多的关注，并在时间效率和预测准确性方面在先进材料的发现和设计方面取得了巨大进展[9，48虚拟现实和增强现实不仅增强了在传统的可继承智能制造（I2 M）[53]中，华为在2019年的白皮书中指出，集成、智能和可继承（I3）特征被认为是未来数字云平台的三大基本特征一方面，我们提出的构建DID代码的原则就像基于云的平台的数据指纹或数据记录一样;这与I3特性一致，可以服务于I3M。此外，可遗传特征表明材料基因组在材料发现、设计和制造中的原始概念相信所有这些成就和改进将导致制造成本的降低和产品质量的提高。3.2. 基于云技术最后，有必要强调的是，材料信息学的相关数值标准对于机器学习算法、数据挖掘和人工智能的发展以及加速材料创新、发现和设计至关重要例如，在面向制造系统的技术和两个破坏性制造领域（即，机器人系统和增材制造）正在由NIST开发[3]。 图第七，提出框架-见图6。I3M的十大关键技术蓝色突出显示的技术可能涉及DID代码。中国大数据和物联网的拟议系统标准的工作，这将是I3M的基础我们所提出的DID码构造原则有望成为这两个标准体系的一部分实施下一代科学标准的进程正在进行中，这将改变我们未来劳动力的教育和培训。4. 结论本文简要介绍了设计时代ICME数字孪生设计范式的几个观点。提出了一种由一组构建链组成的通用DID格式，该格式与国际和国家标准中使用的经典形式的标识符保持一致。建议的DID是灵活和方便的扩展和各种基于云的平台之间的共享。值得一提的是，建立MGE云平台的主要目的是发现新的先进材料的协作应用。参与该平台的所有研究人员都可以同时在全球范围内开展工作。我们提出的原则，为建设的DID码符合I3的特点，可以服务于I3M.支持有助于I3M的未来技术，包括先进材料、大数据分析、云计算、工业互联网和移动设备，可以改善HCS、HPS和CPS的交互。可遗传特征是指材料发现、设计和制造中的“材料基因组”的原始概念由于我们提出的构建DID码的原则将作为I3M云平台中数据记录的指纹，因此我们的原则有望被纳入或结合到中国大数据和物联网的标准体系中。确认这项工作得到了中国国家重点研发计划（2018YFB 0703801、2018YFB 0703802、2016YFB 0701303和2016YFB 0701304）的资助，中车唐山公司201750463031.特别感谢上海交通大学的王宏教授为我们提供了富有成效的讨论和建设性的建议/意见。遵守道德操守准则William Yi Wang 、 Peixuan Li 、 Deye Lin 、 Bin Tang 、 JunWang、Quanmei Guan、Qian Ye、Haixing Dai、Jun Gao、XiaoliFan、Hongchao Kou、Haifeng Song、Feng Zhou、Jijun Ma、Zi-Kui Liu、Jinshan Li和Weimin Liu声明他们没有利益冲突或财务冲突需要披露。见图7。 中国（a）大数据和（b）物联网拟议系统标准的框架。ITOM：信息技术运营管理; RFID：射频识别; QoS：服务质量。W.Y. Wang等人/工程6（2020）612619620W.Y. 王 等/工程 6 （2020）612引用[1] 周军，李平，周勇，王宝，臧军，孟立.迈向新一代智能制造。工程2018;4（1）：11-20.[2] ZhongRY，Xu X，Klotz E，Newman ST. 工业4.0背景下的智能制造：综述。Engineering2017;3（5）：616-30.[3] 美国国家科学院、工程院和医学院。第四次工业革命：一个研讨会的议事录。Washington，DC：National Academies Press; 2017.[4] 国 家 科 学 技 术 委 员 会 。 材 料 基 因 组 全 球 竞 争 力 倡 议 。 Washington ， DC ：National Science and Technology Council;2011.[5] 王伟英，李建生，刘文民，刘志坤.先进材料的综合计算材料工程：简要回顾。CompMater Sci2019;158：42-8.[6] de Pablo J，Jackson NE，Webb MA，Chen LQ，Moore JE，Morgan D，et al.Newfrontiers for the materials genome initiative.NPJ Comp Mater 2019;5（1）：41.[7] 放大图片作者：JainA，Wanson KA，Ceder G. 研究更新：材料基因组计划：数据共享和合作从头数据库的影响。APL Mater2016;4（5）：053102。[8] Jose R，Ramakrishna S.材料4.0：材料大数据实现材料发现。2018年10月10日，《今日应用材料》;10：127-32。[9] 刘毅，赵涛，鞠伟，史松。使用机器学习的材料发现和设计。J Mater 2017;3（3）：159-77.[10] Meredig B ， Wolverton C. 晶 体 结 构 自 动 求 解 的 计 算 - 实 验 混 合 方 法 。 NatMater2013;12（2）：123-7.[11] Kaufman L，J. Calphad，第一代和第二代-材料基因组的诞生。Scr Mater2014;70：3-6.[12] Olson GB ， Kuehmann CJ. 材 料 基 因 组 学 ： 从 CALPHAD 到 飞 行 ScrMater2014;70：25-30.[13] 刘志坤。数据海洋：将第一原理计算和CALPHAD建模与机器学习相结合。 J PhaseEquilib Diffus 2018;39（5）：635-49.[14] ZhouBC ， Wang WY ， Liu ZK ， Arróyave R. 镁 的 电 子 相 In： HorstemeyerMF，editor.金属集成计算材料工程（ICME）：概念和案例研究。New York：John Wiley& Sons.[15] 国家研究委员会综合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：National Academies Press; 2008.[16] Pollock TM.飞机发动机的合金设计。Nat Mater2016;15（8）：809-15.[17] [10] KrajorskiPE ， Hector LG ， Qi Y ， Mishra RK ， Sachdev AK ， BowerAF，et al. 从原子到汽车：模拟铝变形的多尺度方法。JOM2011;63（11）：24-32。[18] 跨尺度建模：跨长度和时间尺度连接材料模型和模拟的路线图研究Warrendale：The Minerals，Metals Materials Society; c2015 [cited 2019 Apr 23].可从以下网址获得：https://www.tms.org/multiscalestudy[19] [10] Mounet N，Gibertini M，Schwaller P，Campi D，Merkys A，MarrazzoA，et al. 从实验已知化合物的高通量计算剥离的二维材料。 Nat Nanotech2018;13（3）：246-52.[20] Sendek AD，Yang Q，Cubuk ED，Duerloo KAN，Cui Y，Reed EJ.对12000多种固体锂离子导体材料候选材料进行整体计算结构筛选。 能源环境科学2017;10（1）：306-20。[21] CubukED，Ivancic RJS，Schoenholz SS，Strickland DJ，Basu A，DavidsonZS，等. 无序固体中塑性普遍特征的结构-性质关系。Science2017;358（6366）：1033-7.[22] Wilkinson MD，Dumontier M，Aalbersberg IJ，Appleton G，Axton M，BaakA ， et al.TheFAIRguidingprinciplesfor scientificdatamanagementandstewardship. Sci Data2016;3：160018.[23] 作者：Liu ZK，McDowell DL.宾夕法尼亚州立大学-佐治亚理工学院CCMD：迎来ICME时代。Integr Mater ManufInnovation 2014;3：409-28.[24] Liu X，Furrer D，Kosters J，Holmes J. Vision 2040：材料和系统集成多尺度建模与仿真的路线图。 技术本文Washington，DC：NASA; 2018.编号：NA S A /CR-2018-219771。[25] 作者：J.J. A，J.J.材料加速平台-通过将高通量方法与人工智能相结合来加速先进能源材料的发现。Mission Innovation; 2018年1月[引用于2019年4月23日]。可从以下网址获取：http：innovation.net/wp-content/uploads/2018/01/Mission-Innovation-IC6-Report- Materials-Acceleration-Platform-Jan-2018.pdf。[26] Umehara M，Stein HS，Guevarra D，Newhouse PF，Boyd DA，Gregoire JM.分析机器学习模型以加速基本材料洞察的生成。NPJ Comp Mater2019;5：34.[27] 放大图片作者：Kristan G，Kristan G.利用ICME的大数据范式：从材料选择转向材料启用设计。JOM2016;68：2109-15.[28] 夏Z析氢：指导原则。Nat Energy2016;1（10）：16155.[29] 张 毅 ， 凌 春 . 将 机 器 学 习 应 用 于 材 料 科 学 中 的 小 数 据 集 的 策 略 。 NPJ CompMater2018;4（1）：25.[30] Ulissi ZW，Medford AJ，Bligaard T，Nørskov JK.使用标度关系机器学习和DFT计算来解决表面反应网络的复杂性。Nat Commun2017;8（1）：14621.[31] 王伟英，唐斌，林代英，邹聪，张勇，尚世林，等.数据驱动的ICME智能发现先进结构金属材料的简要回顾：对原子和电子构建块的洞察。J Mater Res2020;35：872-89.[32] 熊W，奥尔森GB.网络材料：材料的设计和材料的加速插入。 NPJ Comp Mater2016;2（1）：15009.[33] Nosengo N 材料代码。 Nature2016;533（7602）：22-5.[34] Olson GB.设计一个新的物质世界Science2000;288（5468）：993-8.[35] Frankel D，Hatcher N，Snyder D，Sebastian J，Olson GB，Vernon G，etal.Improvingmanufacturingqualityusingintegratedcomputationalmaterials engineering.在：第四届集成计算材料工程世界大会论文集; 2017年5月21日至25日; Ypsilanti，MI，美国; 2017年。p. 23[36] 梅·M云计算中的公司：实验室运营数字化。Science 2017;355（6324）：532-4.[37] Madhavan K ， Zentner L ， Farnsworth V ， Shivarajapura S ， Zentner M ，Denny N，et al. nanoHUB.org：cloud-based services for nanoscale modeling，simulation，and education. Nanotechnol Rev2013;2（1）：107-17。[38] 联合技术委员会。ISO/IEC JTC 1. ISO/IEC 29168-1：2011信息技术开放系统互连第1部分：对象标识符解析系统ISO标准。日内瓦：国际标准化组织; 2011年。[39] 张伟，张永平，刘乙，张岱，范晓春。GB/T 27766-2011：二维条码网格矩阵码。中国标准。北京：中华人民共和国国家质量监督检验检疫总局中文.[40] 马文英，张世军，唐永军，迟顺昌，罗正，徐文华，等. GA/T 543.2-2011：公安数据要素（2）.中国标准。北京：中华人民共和国公安部; 2011。 中文.[41] 刘萍，刘晓东，孔发荣，李永忠，徐庆，刘志胜，等. GM/T 0006-2012：密码学应用标识符规范.中国标准。北京：国家密码管理局; 2012. 中文.[42] 范晓春，耿国平，潘华，黄晓丽，张永平，张刚，等. GJB7365-2011：网格矩阵编码.中国标准。北京：中国人民解放军总装备部; 2011。 中文.[43] MaoXW，Peng H，Pan MM，Gao JJ，Li YT，Cheng YL，et al. SL 325 -2014：水质数据库的结构和标识符。中国标准。北京：中华人民共和国水利部; 2014 。 中文.[44] 姜斌，刘强，徐平，夏平，于永昌，邵永涛，等. SL 607- 2 0 1 3 ： 水 利 文 献 数据 库 的 结 构 与 标 识 符 .中国标准北京：中华人民共和国水利部; 2013。 中文.[45] 孟强，刘林华，李立军，徐凯杰，任庆庆，王永。WS 363.2-2011：健康数据元素词典-第2部分：标识。中国标准。北京：中华人民共和国卫生部; 2011。 中文.[46] 王GF，吴志清. QX/T 39-2005：气象数据集核心元数据内容。中国标准。北京：中国气象局. 中文.[47] Shapira P.创造未来 Science2017;358（6366）：1007.[48] Raccuglia P，Elbert KC，Adler PDF，Falk C，Wenny MB，Mollo A等人，使用失败实验的机器学习辅助材料发现。Nature2016;533（7601）：73-6.[49] Kavvas ES，Catoiu E，Mih N，Yurkovich JT，Seif Y，Dillon N等人，结核分枝杆菌泛基因组的机器学习和结构分析识别抗生素耐药性的遗传特征。Nat Commun2018;9（1）：1-9.[50] [10]李文辉，李文辉. 数据驱动的地球系统科学的深度学习和过程理解。 Nature2019;566（7743）：195-204.[51] Gray J，Banchi L，Bayat A，Bose S.机器学习辅助的多体纠缠测量。 Phys Rev Lett2018;121：150503。[52] [10]李国雄，李国雄.机器学习加速高通量材料筛选：发现新型四元Heusler化合物。Phys Rev Mater 2018;2（12）：123801。[53] 陈毅集成与智能制造：前景与推动因素。工程2017;3（5）：588