材料是国民经济的基础,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,传统的实验“试错型”研究方法具有成本高、周期长和存在偶然性等特点,难以满足现代材料的研究需求。近些年,随着人工智能和数据驱动技术的飞速发展,机器学习作为其主要分支和重要工具,受到的关注日益增加,并在各学科领域展现出巨大的应用潜力。将机器学习技术与材料科学研究相结合,从大量实验与计算模拟产生的数据中挖掘信息,具有精度高、效率高等优势,给新材料的研发和材料基础理论的研究提供了新的契机。

机器学习技术结合了计算机科学、概率论、统计学、数据库理论以及工程学等知识,计算速度快、泛化能力强,能有效地处理一些难以运用传统实验及模拟计算方法解决的体系和问题。近10年,机器学习在材料科学研究中的应用呈现出爆炸式的增长,尤其在新材料的合成设计、性能预测、材料微观结构深入表征以及改进材料计算模拟方法几个方面,均有着出色的表现。当然,作为一项数据驱动技术,如何获取大量实验数据并将其构建为行之有效的数据集仍是现阶段机器学习技术在材料科学领域应用的热点和难点。

本文概述了机器学习技术的基本原理、主要工作流程和常用算法,简述了机器学习技术在材料科学领域中的研究重心及应用进展,分析了机器学习在材料学研究中尚存在的问题,并对未来此领域的发展热点进行了展望。

成为VIP会员查看完整内容
0
16

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

深度学习在计算机视觉、语音识别和自然语言处理三大领域中取得了巨大的成功,带动了人工智能的快速 发展。将深度学习的关键技术应用于化学信息学,能够加快实现化学信息处理的人工智能化。化合物结 构与性质的定量关系研究是化学信息学的主要任务之一,着重介绍各类深度学习框架(深层神经网络、 卷积神经网络、循环或递归神经网络)应用于化合物定量构效关系模型的研究进展,并针对深度学习在 化学信息学中的应用进行了展望。

成为VIP会员查看完整内容
0
18

三维视觉测量是计算机视觉与精密测量原理交叉融合的前沿高新技术,是工业4.0的基础支撑,是以网络化、智能化制造为变革特征的先进制造业的核心关键技术。经过几十年的发展,三维视觉测量技术在基础研究和应用研究上均获得了快速深入发展,形成了理论方法、技术工艺、系统研发和产品应用四位一体较为完备的方向体系,呈现出理论系统化、方法多维化、精度精准化和速度快捷化的发展趋势,成为智能制造过程控制、产品质量检验保证和装备整机服役测试的不可或缺的优选技术。本报告主要围绕单相机、双相机、结构光等典型三维视觉测量技术展开论述,概要介绍其关键技术内涵,综述其发展现状、前沿动态、热点问题和发展趋势。重点论述条纹投影三维测量技术和相位测量偏折术。最后给出了三维视觉测量的发展趋势与未来展望。

http://www.cjig.cn/jig/ch/reader/download_new_edit_content.aspx?edit_id=20210331100722001&file_no=202012260000002&journal_id=jig

成为VIP会员查看完整内容
0
16

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。

成为VIP会员查看完整内容
0
15

摘要 随着深度学习算法在图像分割领域的成功应用,在图像实例分割方向上涌现出一大批优秀的算法架构.这些架构在分割效果、运行速度等方面都超越了传统方法.本文围绕图像实例分割技术的最新研究进展,对现阶段经典网络架构和前沿网络架构进行梳理总结,结合常用数据集和权威评价指标对各个架构的分割效果进行比较和分析.最后,对目前图像实例分割技术面临的挑战以及可能的发展趋势进行了展望.

http://www.ejournal.org.cn/CN/abstract/abstract12215.shtml

成为VIP会员查看完整内容
0
30

大数据时代,数据已成为驱动社会发展的重要的资产.但是数据在其全生命周期均面临不同种类、不同层次的安全威胁,极大降低了用户进行数据共享的意愿.区块链具有去中心化、去信任化和防篡改的安全特性,为降低信息系统单点化的风险提供了重要的解决思路,能够应用于数据安全领域.该文从数据安全的核心特性入手,介绍区块链在增强数据机密性、数据完整性和数据可用性三个方向的最新研究成果,对各研究方向存在的缺陷进行分析,进而对未来发展方向进行了展望.该文认为,区块链技术的合理应用能够增强分布式环境下的数据安全,有着广阔的前景.

https://www.cnki.com.cn/Article/CJFDTOTAL-JSJX202101001.htm

成为VIP会员查看完整内容
0
27

摘要:随着日益剧增的海量数据信息的产生以及数据挖掘算法的广泛应用,人们已经进入了大数据时代.在数据规模飞速增长的前提下,如何高效稳定的存取数据信息以及加快数据挖掘算法的执行已经成为学术界和工业界急需解决的关键问题.机器学习算法作为数据挖掘应用的核心组成部分,吸引了越来越多研究者的关注,而利用新型的软硬件手段来加速机器学习算法已经成为了目前的研究热点之一.本文主要针对基于ASIC和FPGA等硬件平台设计的机器学习加速器进行了归纳与总结.首先,本文先介绍了机器学习算法,对代表性的算法进行了分析和归纳.接下来对加速器可能的着眼点进行了列举综述,以各种机器学习硬件加速器为主要实例介绍了目前主流的加速器设计和实现,并围绕加速器结构进行简单分类和总结.最后本文对机器学习算法硬件加速这个领域进行了分析,并对目前的发展趋势做出了展望.

成为VIP会员查看完整内容
0
36

摘要:近年来,在开发更准确、高效的医学和自然图像分割机器学习算法方面取得了重大进展。在这篇综述文章中,我们强调了机器学习算法在医学成像领域有效和准确分割中的重要作用。我们特别关注几个关键的研究涉及到应用机器学习方法在生物医学图像分割。我们回顾了经典的机器学习算法,如马尔可夫随机场、k均值聚类、随机森林等。尽管与深度学习技术相比,这种经典的学习模型往往精度较低,但它们通常更具有样本效率,结构也更简单。我们还回顾了不同的深度学习结构,如人工神经网络(ANNs)、卷积神经网络(CNNs)和递归神经网络(RNNs),并给出了这些学习模型在过去三年中获得的分割结果。我们强调每种机器学习范式的成功和局限性。此外,我们还讨论了与不同机器学习模型训练相关的几个挑战,并提出了一些解决这些挑战的启发方法。

成为VIP会员查看完整内容
0
27
小贴士
相关VIP内容
专知会员服务
18+阅读 · 8月27日
专知会员服务
14+阅读 · 5月24日
专知会员服务
16+阅读 · 5月9日
专知会员服务
15+阅读 · 5月7日
专知会员服务
30+阅读 · 3月6日
专知会员服务
27+阅读 · 1月25日
专知会员服务
36+阅读 · 2020年6月20日
专知会员服务
149+阅读 · 2020年3月6日
机器学习在材料科学中的应用综述,21页pdf
专知会员服务
27+阅读 · 2019年9月24日
相关资讯
图像修复研究进展综述
专知
5+阅读 · 3月9日
面向人工智能的计算机体系结构
计算机研究与发展
6+阅读 · 2019年6月6日
低维碳纳米材料的研究及制备
材料科学与工程
4+阅读 · 2019年5月20日
10000个科学难题 • 制造科学卷
科学出版社
9+阅读 · 2018年11月29日
计算机视觉方向简介 | 目标检测最新进展总结与展望
计算机视觉life
6+阅读 · 2018年10月28日
【学科发展报告】计算机视觉
中国自动化学会
35+阅读 · 2018年10月12日
高分子材料领域的十大院士!
材料科学与工程
11+阅读 · 2018年9月18日
机器视觉技术的农业应用研究进展
科技导报
5+阅读 · 2018年7月24日
贝叶斯机器学习前沿进展
无人机
5+阅读 · 2018年1月26日
红外弱小目标处理研究获进展
中科院之声
9+阅读 · 2017年11月19日
相关论文
Martin Redmann,Nahid Jamshidi
0+阅读 · 9月21日
Anselmo R. Pitombeira-Neto,Arthur H. Fonseca Murta
0+阅读 · 9月20日
Jian Cheng Wong,Chinchun Ooi,Abhishek Gupta,Yew-Soon Ong
0+阅读 · 9月20日
Sam M. Werner,Daniel Perez,Lewis Gudgeon,Ariah Klages-Mundt,Dominik Harz,William J. Knottenbelt
0+阅读 · 9月18日
Tobias Winkler,Maximilian Weininger
0+阅读 · 9月17日
Will Grathwohl,Kevin Swersky,Milad Hashemi,David Duvenaud,Chris J. Maddison
3+阅读 · 6月6日
Linfeng Liu,Michael C. Hughes,Soha Hassoun,Li-Ping Liu
6+阅读 · 6月4日
Kamran Kowsari,Kiana Jafari Meimandi,Mojtaba Heidarysafa,Sanjana Mendu,Laura E. Barnes,Donald E. Brown
10+阅读 · 2020年5月20日
A Survey of Methods for Low-Power Deep Learning and Computer Vision
Abhinav Goel,Caleb Tung,Yung-Hsiang Lu,George K. Thiruvathukal
10+阅读 · 2020年3月24日
Hao Peng,Ankur P. Parikh,Manaal Faruqui,Bhuwan Dhingra,Dipanjan Das
4+阅读 · 2019年4月9日
Top