人工神经网络在材料科学中的研究进展

传统的“试错”型材料研究方法存在周期长、成本高和偶然性大等不足,已经不能满足现代材料研发的需求,提高研发针对性、缩短材料研发周期、降低材料研发成本成为全世界的研究热点。随着数据量的不断累积以及计算机技术的不断发展,数据密集型科学逐渐成为科学研究的第四范式。从大量数据中寻找能反映材料本征的“基因”,是材料现行的研究趋势。人工神经网络方法因具备自学习、联想存储以及高速寻找优化解的能力的优点而被广泛应用于材料科学领域。研究者利用人工神经网络等机器学习模型对材料的试验或理论计算数据进行挖掘,在专家经验和理论指导下转化为可靠的知识并能够辅助智能决策,从而建立材料从微观结构到宏观性能间的一一映射关系。

早期,人工神经网络主要被用于寻求材料的宏观参数与材料宏观性能之间的关系,如材料的成分设计,加工过程的工艺参数优化,以及寻找影响材料使用性能的环境参数;人工神经网络通过对第一性原理计算结果进行学习,被用于描述原子尺度下体系之间的作用关系,以此实现计算速度与精度的平衡;而卷积神经网络等深度神经网络方法在图像处理上的独到优势,使得其在材料表征领域得到了更广泛的应用,如SEM、TEM中微结构识别与重构。借助人工神经网络等方法,实现材料微观、介观到宏观性能之间跨尺度的联系,是实现材料设计这一终极目标的可能途径。

本文回顾了人工神经网络的发展历史,对目前材料领域应用最为广泛的BP神经网络与卷积神经网络原理进行了阐释,综述了人工神经网络在材料宏观性能、计算模拟、材料表征等领域的应用,探讨了人工神经网络在材料领域应用存在的不足,最后对未来的发展趋势进行了展望。

http://www.mater-rep.com/CN/10.11896/cldb.19080073#AbstractTab

材料的发展长期以来受到各国的重视，新材料的发现往 往能带动社会的跨越式进步［１］ 。由于材料内在关系的复杂 性，传统的材料研究方法存在周期长、成本高以及具有一定 偶然性等不足，无法满足当下对材料研发的需求［２］ 。２０ 世纪 ９０ 年代开始，得益于计算机技术的革新，以数据为基础、机器 学习为核心的数据驱动科学成为继实验科学、理论归纳、计 算仿真后的科学发现的第四范式（如图１［３］ 所示），其能处理 大量数据之间隐藏的相关性而忽略复杂的内在机理，从而缩 短研发周期，降低成本。而“材料基因组计划（ＭＧＩ）”的推 行，更是促进了数据驱动技术在材料中的应用发展，其核心是通过高通量的实验与计算来产生大量数据，并应用大数据 技术进行数据存储、挖掘，来获取有价值的规律［４⁃５］ ，在专家 经验和理论指导下转化成可靠的知识，从而得到材料成分— 工艺—结构—性能之间的关系［６⁃７］ ，为新材料设计和材料改 性提供依据。

如何利用已有的材料数据或有目的性地产生数据进行 材料的研发是数据驱动材料科学的关键，机器学习算法的选 择和模型的构建是其中最重要的一环。人工神经网络是目 前应用最为成熟的机器学习算法，其在医学［８⁃９］ 、化学［１０⁃１１］ 等 领域的应用取得了较大的成功，在材料领域也已经被广泛用 于成分设计［１２］ 、工艺设计［１３］ 、服役性能预测［１４］ 、加速模 拟［１５］ 、辅助表征［１６］ 等各个方面，极大地促进了材料的发展。 本文在对人工神经网络技术基本概念进行介绍的基础上，重 点讨论最常用的ＢＰ 神经网络和适合深度机器学习的卷积神 经网络，综述了人工神经网络技术在材料科学中的应用现 状，并对其未来的发展趋势进行了展望。

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“AIMD” 就可以获取《人工神经网络在材料科学中的研究进展》电子书专知下载链接

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源