题目主题: AI for Materials Science

简介:

先进的材料和制造方法是当今经济的重要推动力。通过使廉价的可靠产品批量生产和工业应用达到前所未有的规模,他们使电视和计算机等消费类设备无处不在。在高性能环境中,例如在用于计算机和蜂窝技术,光伏和消费电子的光电子学中,以及在太空和航空应用中的极端环境中,都需要新材料。但是,设计新材料是一个缓慢而费力的过程,需要大量的资本和劳动力投资。材料的合成,开发和表征是耗时且昂贵的过程。特别是必须评估和优化大量不同的替代方案。通常,理论模型的指导很少,并且仅能在小规模范围内合成要测试的新材料。 虽然几十年来一直使用基于少量经验观察的模型来加快这一过程,但AI和机器学习的最新进展已经进入了一个有效,高效的建模和探索具有复杂性能的可能设计大空间的新时代。机器学习诱导的过程模型允许近似复杂的关系预测假设材料的属性。本教程将提供该应用领域的介绍和概述,并重点介绍人工智能研究的挑战和机遇。

大纲:

  • 先进的材料:样例与挑战
  • 模型介绍
  • 先进材料:AI方法
  • 贝叶斯优化背景
  • 材料学科中的贝叶斯优化
  • AI与材料学的 共同点
  • 机遇与挑战
成为VIP会员查看完整内容
17

相关内容

贝叶斯方法是贝叶斯学习的基础,它提供了一种计算假设概率的方法,这种方法是基于假设的先验概率、给定假设下观察到不同数据的概率以及观察到的数据本身而得出的。其方法为,将关于未知参数的先验信息与样本信息综合,再根据贝叶斯公式,得出后验信息,然后根据后验信息去推断未知参数的方法。
赛尔笔记 | 自然语言处理中的迁移学习(上)
哈工大SCIR
16+阅读 · 2019年10月17日
Acta Mater. 基于机器学习设计出新型超高强不锈钢
材料科学与工程
5+阅读 · 2019年9月2日
Arxiv
110+阅读 · 2020年2月5日
Arxiv
13+阅读 · 2019年1月26日
Arxiv
5+阅读 · 2018年5月28日
Arxiv
3+阅读 · 2018年3月2日
Arxiv
6+阅读 · 2018年2月28日
VIP会员
相关VIP内容
相关论文
微信扫码咨询专知VIP会员