文献类型：期刊文章

作　　者：孙中体[1] 李珍珠[1] 程观剑[1] 徐其琛[1] 侯柱锋[2] 尹万健[1]

Zhongti Sun;Zhenzhu Li;Guanjian Cheng;Qichen Xu;Zhufeng Hou;Wanjian Yin(Key Laboratory of Advanced Carbon Materials and Wearable Energy Technologies of Jiangsu Province,Soochow Institute for Energy and Materials Innovations(SIEMIS),College of Energy,Soochow University,Suzhou 215006,China;State Key Laboratory of Structural Chemistry,Fujian Institute of Research on the Structure of Matter,Chinese Academy of Sciences,Fuzhou 350002,China)

机构地区：[1]苏州大学能源学院,能源与材料创新研究院,江苏省先进碳材料与可穿戴能源技术重点实验室,苏州215006 [2]中国科学院福建物质结构研究所,结构化学国家重点实验室,福州350002

出　　处：《科学通报》

基　　金：国家重点研发计划(2016YFB0700700);国家自然科学基金(11674237,11974257,51602211)资助

年　　份：2019

卷　　号：64

期　　号：32

起止页码：3270-3275

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、MR、RCCSE、WOS、ZGKJHX、核心刊

摘　　要：新材料的发现是推动现代科学发展与技术革新的源动力之一,是当前促进经济发展与解决环境问题的迫切需求.传统的材料研发基于试错法,效率低且成本高.大量实验与计算模拟产生的数据为新材料的研发提供了新契机.基于这些数据,机器学习最近在材料性能预测、新材料的发现与设计等领域取得了很大进展.譬如基于材料项目(materials project)数据库对钙钛矿材料的统计分类、结合高通量计算对双钙钛矿卤化物材料稳定性的预测,以及金属间化合物电催化剂的设计与筛选等.除了基于隐式模型的预测,机器学习也可以用来发现具有物理可解释性的显式描述符,从而加速新材料的发现.

关 键 词：机器学习  材料设计  能源转换 描述符

分 类 号：N]