文献类型：期刊文章

作　　者：刘悦[1,4,5] 邹欣欣[1] 杨正伟[1] 施思齐[2,3,5]

LIU Yue;ZOU Xinxin;YANG Zhengwei;SHI Siqi(School of Computer Engineering and Science,Shanghai University,Shanghai 200444,China;School of Materials Science and Engineering,Shanghai University,Shanghai 200444,China;Materials Genome Institute,Shanghai University,Shanghai 200444,China;Shanghai Engineering Research Center of Intelligent Computing System,Shanghai 200444,China;Zhejiang Laboratory,Hangzhou 311100,China)

机构地区：[1]上海大学计算机工程与科学学院,上海200444 [2]上海大学材料科学与工程学院,上海200444 [3]上海大学材料基因组工程研究院,上海200444 [4]上海市智能计算系统工程技术研究中心,上海200444 [5]之江实验室,杭州311100

出　　处：《硅酸盐学报》

基　　金：国家自然科学基金面上项目(52073169);国家重点研发计划(2021YFB3802100);之江实验室科研攻关项目(2021PE0AC02)。

年　　份：2022

卷　　号：50

期　　号：3

起止页码：863-876

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：数据驱动的机器学习因其能够快速拟合历史数据中的潜在模式并实现材料性能的精准预测,已被广泛应用于材料性能优化和新材料设计。然而,由于缺乏描述符间关联关系、材料性能驱动机制等材料领域知识的指导,数据驱动的机器学习在实际应用中常常出现与材料基础理论认知或原理不一致的结果。本工作通过分析材料数据的特点和数据驱动的机器学习建模原理,厘清了数据驱动的机器学习应用于材料领域面临的三大矛盾:高维度与小样本数据的矛盾、模型准确性与易用性的矛盾、模型学习结果与领域专家知识的矛盾。藉此提出材料领域知识嵌入的机器学习作为上述矛盾的调和策略。进一步,面向“目标定义–数据准备–数据预处理–特征工程–模型构建–模型应用”的机器学习全流程,通过剖析相关的基础性和探索性工作,探讨了在机器学习各阶段实现材料领域知识嵌入的关键技术。最后,展望了材料领域知识嵌入机器学习的发展机遇和挑战。

关 键 词：材料设计  机器学习  材料数据  

分 类 号：TB3[材料类] TP3[计算机类]