• <menu id="wqayq"></menu><menu id="wqayq"></menu>
    <menu id="wqayq"><label id="wqayq"></label></menu>
    <menu id="wqayq"></menu>
    新聞動態
    ·綜合新聞
    ·科研動態
    ·學術活動
    ·媒體聚焦
    ·通知公告
    您現在的位置:首頁 > 新聞動態 > 科研動態
    金屬所研究人員在Science期刊發表利用機器學習進行材料篩選研究的述評文章
     
    2022-10-09 | 文章來源:輕質高強材料研究部        【 】【打印】【關閉

      根據應用環境需求,定制合金材料的成分及工藝,突破“試錯法”高成本、低效率的材料設計瓶頸,是材料科學家的終極夢想。近20年來,合金成分由單主元傳統合金發展到多主元高熵合金,極大拓展了合金的成分空間。如何從近乎無限的成分空間中高效篩選出具有特定性能的合金成分,是材料研究者所面臨的巨大挑戰。近年來,機器學習在材料的成分篩選和性能優化中的應用發展迅速。中國科學院金屬研究所胡青苗研究員和楊銳研究員應Science期刊邀請,發表了題為《對更好合金的無盡尋索》的述評文章,對利用機器學習進行材料篩選的研究現狀進行了評論和展望。該述評文章于10月6日在線發表(Vol. 378, Issue 6615, pp. 26-27. )。 

      機器學習方法一般利用人工神經網絡,對現有成分-性能數據進行訓練,快速獲得成分–性能關系,進而篩選出具有目標性能的成分。機器學習的效率和精度依賴于用于訓練的成分–性能數據集。相對于近乎無限的成分空間,已有的成分–性能數據往往相當稀少。因此,對機器學習算法進行適當優化和策略設計尤為重要。目前,機器學習方法在因瓦高熵合金、鐵電材料、壓電材料等的成分篩選中都有了較為成功的應用范例。特別是德國馬普學會鋼鐵研究所Dierk Raabe課題組在最近一期Science上發表的研究工作,結合機器學習、第一性原理及熱力學計算和實驗驗證,高效地從百萬種可能成分組合中篩選出17種Fe-Co-Cr-Ni及Fe-Co-Cr-Ni-Cu因瓦高熵合金。 

      述評文章指出,機器學習方法目前大多應用于功能材料的篩選。原因是這類材料的目標性能主要決定于材料成分,對顯微組織并不敏感。然而,結構材料的力學性能如強度、韌塑性等不僅受成分影響,且具有高度的顯微組織敏感性,而顯微組織又決定于合金成分及制備工藝,這使得結構材料力學性能的影響因素錯綜復雜。另一方面,實際應用中,往往同時對結構材料的多種性能有一定要求。這些因素大大增加了機器學習在結構材料設計中應用的難度。 

      文章最后總結,隨著機器學習算法的發展、實驗數據的積累以及對成分–工藝–組織–性能關系機理理解的深化,有望實現面向指定性能需求的定制化材料成分及工藝優化設計。 

      全文鏈接

     

    文檔附件

    相關信息
    聯系我們 | 友情鏈接
    地址: 沈陽市沈河區文化路72號 郵編: 110016
    運維郵箱: office@imr.ac.cn
    中國科學院金屬研究所 版權所有 遼ICP備05005387號-1

    官方微博

    官方微信
    嬷嬷粗暴调教玩弄花蒂
  • <menu id="wqayq"></menu><menu id="wqayq"></menu>
    <menu id="wqayq"><label id="wqayq"></label></menu>
    <menu id="wqayq"></menu>