相关实验视频
Updated: Jun 18, 2025
08:07
Laser-induced Forward Transfer of Ag Nanopaste
Published on: March 31, 2016
11.3K
通过下一代机器学习来推进材料科学
Rohit Unni1,2, Mingyuan Zhou3,4, Peter R Wiecha5
1Walker Department of Mechanical Engineering, The University of Texas at Austin, Austin, TX 78712, USA.
Current opinion in solid state & materials science
|July 30, 2024
概括
先进的机器学习 (ML) 模型可以通过超越专门任务来彻底改变材料科学. 在大型集中数据集上训练的多功能基础模型的开发将使直观的查询和创新的材料发现成为可能.
科学领域:
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 机器学习 (ML) 模型在计算机视觉和自然语言处理 (NLP) 中取得了成功.
- 最近的进展包括大规模的语言和生成图像模型,提高了可访问性.
- 目前材料科学中的ML模型是专门的,限制了更广泛的工业应用.
研究的目的:
- 解决材料科学中专门的ML模型的局限性.
- 为材料科学提出开发一个全面和多功能ML模型的建议.
- 为了实现直观的查询和材料发现的创新解决方案.
主要方法:
- 利用表示学习,生成建模和基础模型技术.
- 通过众包和文献数据提取建立一个广泛的,集中的数据集.
- 在一个庞大的数据集上训练一个中央模型,以学习基础物理.
主要成果:
- 目前的模式过于专业化,阻碍了工业过程的整合.
- 一个多功能模型可以解释人类可读的输入,并识别搜索方向.
- 拟议的方法既有助于搜索现有数据,又有助于创新新解决方案.
结论:
- 材料科学需要能够理解人类查询的多功能ML模型.
- 一个集中,全面的数据集对于训练这些模型至关重要.
- 设想的模型将通过整合现有知识并实现创新来增强材料的发现.
