文献类型：期刊文章

作　　者：吴佳琦[1] 孙奕韬[2] 汪卫华[2] 李茂枝[1]

WU JiaQi;SUN YiTao;WANG WeiHua;LI MaoZhi(Department of Physics,Beijing Key Laboratory of Opto-electronic Functional Materials&Micro-nano Devices,Renmin University of China,Beijing 100872,China;Institute of Physics,Chinese Academy of Sciences,Beijing 100190,China)

机构地区：[1]中国人民大学物理系,光电功能材料与微加工北京市重点实验室,北京100872 [2]中国科学院物理研究所,北京100190

出　　处：《中国科学：物理学、力学、天文学》

基　　金：国家自然科学基金(编号:51631003,51801230);国家重点基础研究发展计划(编号:2015CB856800)资助项目。

年　　份：2020

卷　　号：50

期　　号：6

起止页码：3-16

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：作为新兴非晶材料的金属玻璃由于其优异的力学、物理以及化学性能而被广泛研究.玻璃形成能力一直是制约着非晶材料发展的重要问题,为了设计出具有良好玻璃形成能力的非晶材料,对非晶材料的玻璃形成能力已经有大量的研究.研究表明单一的影响因素不足以全面解释非晶材料的玻璃形成能力,即玻璃形成能力是由多种因素共同影响的.另一方面,由于非晶材料具有复杂且无序的结构,传统的方法难以全面、清晰地理解非晶材料的结构与本质.机器学习这一新的研究范式为解决非晶材料领域的关键瓶颈问题提供了新的途径和契机.本文首先简单介绍了一些机器学习算法,如支持向量机、人工神经网络和K均值聚类.随后介绍了机器学习在非晶材料中的应用,包括非晶结构分类、非晶结构-性能关联和非晶宏观性质的预测,并提出了基于机器学习方法在未来非晶研究中的应用前景,包括非晶数据库的建立、高通量计算方法的发展和机器学习势函数的发展.

关 键 词：机器学习  非晶材料 玻璃形成能力 结构-性能关联  

分 类 号：TP181] TG139.8]