期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
新材料研发智能化技术发展研究 被引量:7
1
作者 宿彦京 杨明理 +4 位作者 祝伟丽 周科朝 薛德祯 汪洪 谢建新 《中国工程科学》 CSCD 北大核心 2023年第3期161-169,共9页
新材料研发智能化技术发展迅速,显著增强了材料研发效率及工程化应用水平,获得国际性的高度关注。我国在此领域发展相对滞后,基础设施条件面临缺口,制约着新材料原始创新及产业发展质量。本文总结了新材料研发智能化涉及的关键技术,从... 新材料研发智能化技术发展迅速,显著增强了材料研发效率及工程化应用水平,获得国际性的高度关注。我国在此领域发展相对滞后,基础设施条件面临缺口,制约着新材料原始创新及产业发展质量。本文总结了新材料研发智能化涉及的关键技术,从技术角度梳理了国内外发展现状,分析了我国新材料研发智能化面临的挑战;阐述了新材料研发智能化技术体系框架,包括材料智能计算设计技术与核心软件、材料自主/智能实验技术与高端装置、材料人工智能基础算法及关键技术、材料数字孪生、材料智能化研发平台与协同创新网络等。提出了创新生态构建及保障、产业化发展环境、数据底座与标准体系、人才培养与国际合作方面的举措建议,以期推动新材料研发智能化技术体系的发展与应用。 展开更多
关键词 新材料 人工智能 自主实验 智能计算 材料大数据
下载PDF
压电材料中相共存态与其性能的关系(英文)
2
作者 姚永刚 周超 +2 位作者 薛德祯 杨耀东 任晓兵 《中国材料进展》 CAS CSCD 2014年第1期32-38,共7页
由于铅元素有毒,研究人员正努力寻找高性能无铅压电材料以便取代含铅压电材料,因此如何开发高性能压电材料的机制就变得极为重要。此文利用6阶朗道-德文希尔模型计算了不同相共存态的自由能表达(包括单相,两相,三相以及四相共存)。通过... 由于铅元素有毒,研究人员正努力寻找高性能无铅压电材料以便取代含铅压电材料,因此如何开发高性能压电材料的机制就变得极为重要。此文利用6阶朗道-德文希尔模型计算了不同相共存态的自由能表达(包括单相,两相,三相以及四相共存)。通过计算结果发现,不同的相共存态对应不同的自发极化伸缩或者偏转的能垒:铁电相共存越多,则极化偏转能垒越低,而与顺电相共存,则可以极大地降低极化伸缩能垒,不同的能垒也导致了对材料压电介电性能不同的增强能力。同时,不同相共存点的实验结果也证明了这一发现。研究澄清了相共存态与其对性能增强能力的关系,而且重新将极化伸缩和偏转机制(自由能观点)转变成了更简单的相共存态机理(材料结构观点),从而为寻找和制备高性能压电材料提供了一种更快捷的方式。 展开更多
关键词 无铅压电材料 相共存态 压电性
下载PDF
主动学习辅助材料研发进展
3
作者 王云帆 田原 +1 位作者 周玉美 薛德祯 《硅酸盐学报》 EI CAS CSCD 北大核心 2023年第2期544-551,共8页
材料研发面临着巨大、复杂、高维的搜索空间,如何从中快速有效选择具有目标性能的新材料是加速材料研发的主要挑战。机器学习可以基于已有的数据,通过算法建立特征和目标性能之间的映射关系,对未探索材料的性能进行预测。但是材料的已... 材料研发面临着巨大、复杂、高维的搜索空间,如何从中快速有效选择具有目标性能的新材料是加速材料研发的主要挑战。机器学习可以基于已有的数据,通过算法建立特征和目标性能之间的映射关系,对未探索材料的性能进行预测。但是材料的已知数据比较少,建立的机器学习模型通常预测精度低,难以实现对实验或计算的有效指导。为了解决上述问题,引入主动学习的方法,在传统迭代反馈的基础上,增加了实验设计的步骤,选择对目标提升最有帮助、带有更大信息量的实验进行补充,达到更快的优化材料性能的目的。主要从单目标优化、多目标优化、曲线优化3个方面,回顾了主动学习辅助材料研发的进展。 展开更多
关键词 材料开发 主动学习 机器学习 不确定性
原文传递
机器学习在材料研发中的应用 被引量:59
4
作者 谢建新 宿彦京 +3 位作者 薛德祯 姜雪 付华栋 黄海友 《金属学报》 SCIE EI CAS CSCD 北大核心 2021年第11期1343-1361,共19页
大数据和人工智能技术的快速发展推动数据驱动的材料研发快速发展成为变革传统试错法的新模式,即所谓的材料研发第四范式。新模式将大幅度提升材料研发效率和工程化应用水平,推动新材料快速发展。本文聚焦机器学习辅助材料研发这一新兴... 大数据和人工智能技术的快速发展推动数据驱动的材料研发快速发展成为变革传统试错法的新模式,即所谓的材料研发第四范式。新模式将大幅度提升材料研发效率和工程化应用水平,推动新材料快速发展。本文聚焦机器学习辅助材料研发这一新兴领域,以材料预测和优化设计为主线,在简述材料特征构建与筛选的基础上,综述了机器学习在材料相结构、显微组织、成分-工艺-性能、服役行为预测等方面的研究进展;针对材料数据样本量少、噪音高、质量差,以及新材料探索空间巨大的特点,综述了机器学习模型与优化算法和策略融合,在新材料优化设计中的研究进展和典型应用。最后,讨论了机器学习在材料领域的发展机遇和挑战,展望了发展前景。 展开更多
关键词 材料数据 数据挖掘 机器学习 材料设计 材料基因工程
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部