国产三级精品三级在线观看,国产高清无码在线观看,中文字幕日本人妻久久久免费,亚洲精品午夜无码电影网

1. 華科徐明教授InfoMat: 機(jī)器學(xué)習(xí)揭示硫?qū)倩锊Ａе虚g隙態(tài)的結(jié)構(gòu)起源

機(jī)器學(xué)習(xí)頂刊匯總：InfoMat、JACS、Acta Mater.、Chem. Sci.、Nanoscale等成果

3D半導(dǎo)體集成技術(shù)的最新發(fā)展需要一個(gè)關(guān)鍵部件，即雙向閾值開關(guān)（OTS）選擇器來抑制高密度存儲(chǔ)芯片中的電流泄漏。然而，現(xiàn)有OTS材料性能不盡如人意。通常由硫?qū)倩锊Ａе瞥傻腛TS材料發(fā)展緩慢，主要?dú)w因于對其電子結(jié)構(gòu)的了解不足。由于無序系統(tǒng)的第一性原理計(jì)算量很大，目前還缺乏一種通用的理論來解釋導(dǎo)致OTS行為關(guān)鍵特征（中間隙態(tài)，MGS）的起源。

在此，華中科技大學(xué)徐明教授等人應(yīng)用深度機(jī)器學(xué)習(xí)（ML）來揭示各種OTS材料中的底層物理機(jī)制，該方法可以大大縮短處理大量復(fù)雜數(shù)據(jù)的時(shí)間。作者采用多層感知器（MLP）學(xué)習(xí)和識別硫?qū)倩锊ＡУ慕Y(jié)構(gòu)特征，并建立了一個(gè)由1000個(gè)樣本組成的數(shù)據(jù)集來訓(xùn)練和測試MLP模型。一個(gè)MLP模型由一個(gè)輸入層、幾個(gè)隱藏層和一個(gè)輸出層組成。輸入層是一組輸入神經(jīng)元，包括結(jié)構(gòu)特征和分類標(biāo)簽。作者設(shè)置了兩個(gè)隱藏層，每層有50個(gè)神經(jīng)元。為了避免意外誤差，采用了交叉驗(yàn)證方法并將總數(shù)據(jù)集隨機(jī)分為訓(xùn)練集（80%）和測試集（20%），計(jì)算平均識別率作為測試分?jǐn)?shù)。關(guān)于輸入特征，作者收集了短程有序（SRO）和中程有序（MRO）的六個(gè)結(jié)構(gòu)參數(shù)作為輸入數(shù)據(jù)集。其中SRO由一個(gè)中心原子及其最近鄰組成，MRO包括第二近鄰且可由多個(gè)SRO特征組成。

圖1. 深度機(jī)器學(xué)習(xí)算法追蹤預(yù)測MGS

在使用這些特征訓(xùn)練MLP模型后，作者發(fā)現(xiàn)該模型在識別新玻璃中的MGS 時(shí)準(zhǔn)確率達(dá)到了約95%。作者評估了這些特征的重要性，確認(rèn)配位數(shù)和同極鍵（特別是來自MRO）與MGS最相關(guān)。為了測試ML結(jié)果，作者在非晶模型中人為地制造了一些缺陷，并證實(shí)了打破全局8-N規(guī)則的MRO基元是MGS的主要結(jié)構(gòu)起源?；谶@些發(fā)現(xiàn)，作者根據(jù)MRO配位數(shù)調(diào)整了MLP模型，并成功預(yù)測了其他幾種OTS材料中的MGS。盡管如此，目前仍需更多的訓(xùn)練數(shù)據(jù)集才能將MLP模型應(yīng)用于所有材料并預(yù)測OTS行為?？傊?，這項(xiàng)研究采用ML的方法成功地揭示了復(fù)雜硫?qū)倩锊Ａе腥毕輵B(tài)的結(jié)構(gòu)起源而無需昂貴的DFT計(jì)算，為先進(jìn)半導(dǎo)體集成OTS材料和器件的設(shè)計(jì)鋪平了道路。

圖2. MLP模型在識別MGS方面的測試結(jié)果及特征重要性分析

Deep machine learning unravels the structural origin of mid-gap states in chalcogenide glass for high-density memory integration, InfoMat 2022. DOI: 10.1002/inf2.12315

2. 洛桑聯(lián)邦理工JACS: 基于機(jī)器學(xué)習(xí)預(yù)測化學(xué)位移從頭確定晶體結(jié)構(gòu)

確定粉末狀固體的3D原子級結(jié)構(gòu)是當(dāng)前化學(xué)的關(guān)鍵目標(biāo)之一。固態(tài)NMR化學(xué)位移可以用來解決這個(gè)問題，但受到與晶體結(jié)構(gòu)預(yù)測方法和DFT化學(xué)位移計(jì)算相關(guān)的高計(jì)算成本的限制。

在此，瑞士洛桑聯(lián)邦理工學(xué)院Lyndon Emsley等人展示了通過使用最近引入的機(jī)器學(xué)習(xí)模型（稱為ShiftML）來預(yù)測化學(xué)位移，ShiftML是一種快速準(zhǔn)確的方法，即使對于最大的分子晶體也可在幾秒鐘內(nèi)計(jì)算化學(xué)位移。作者通過將動(dòng)態(tài)的固態(tài)NMR位移計(jì)算集成到蒙特卡羅模擬退火優(yōu)化協(xié)議中，以完全類似于溶液NMR或XRD中使用的方法來確定粉末狀有機(jī)固體的結(jié)構(gòu)。其中，優(yōu)化方案總結(jié)如下：首先，生成單分子的可行構(gòu)象并使用DFTB3-D3H5優(yōu)化鍵角和長度。然后，通過隨機(jī)化柔性扭轉(zhuǎn)角生成隨機(jī)構(gòu)象，并通過隨機(jī)選擇給定空間群中的晶胞參數(shù)（晶胞長度、晶胞角度以及分子的位置和方向）生成起始晶體結(jié)構(gòu)。第三，通過蒙特卡羅模擬退火過程優(yōu)化每個(gè)結(jié)構(gòu)，其中在每個(gè)步驟中定義晶體結(jié)構(gòu)的參數(shù)之一隨機(jī)改變，并在改變后計(jì)算化學(xué)位移和DFTB系統(tǒng)能量。

圖1. 本研究中使用的晶體結(jié)構(gòu)測定方案

該方法不需要任何結(jié)構(gòu)假設(shè)或候選結(jié)構(gòu)的先驗(yàn)知識，僅使用動(dòng)態(tài)生成的機(jī)器學(xué)習(xí)各向同性化學(xué)位移來直接指導(dǎo)從隨機(jī)氣相構(gòu)象開始的基于蒙特卡羅的結(jié)構(gòu)確定過程。基于此，作者成功確定了氨芐青霉素、吡羅昔康、可卡因和藥物分子 AZD8329的兩種多晶型物（形式I和IV）的晶體結(jié)構(gòu)。其中AZD8329案例是一個(gè)特別重要的說明，因?yàn)樗宄仫@示了化學(xué)位移如何推動(dòng)優(yōu)化，使同一分子朝著兩個(gè)非常不同的結(jié)構(gòu)方向發(fā)展。在本研究中，作者選擇使用蒙特卡羅模擬退火算法，因?yàn)樗鄬唵?，但原則上機(jī)器學(xué)習(xí)預(yù)測的化學(xué)位移可以合并到其他優(yōu)化方法。因此，這種基于化學(xué)位移的分子固體結(jié)構(gòu)測定方法在進(jìn)一步發(fā)展和提高效率方面還有很大的空間。

圖2. 計(jì)算和測量的化學(xué)位移覆蓋氨芐青霉素結(jié)構(gòu)的不對稱單元

De Novo Crystal Structure Determination from Machine Learned Chemical Shifts, Journal of the American Chemical Society 2022. DOI: 10.1021/jacs.1c13733

3. Acta Mater.: 機(jī)器學(xué)習(xí)輔助開發(fā)用于低溫應(yīng)用的Fe₂P型磁熱化合物

Fe₂P型化合物表現(xiàn)出磁熱效應(yīng)（MCE）并被廣泛研究用于室溫應(yīng)用，將其轉(zhuǎn)變溫度降低到77 K以下時(shí)可為這些材料在低溫磁制冷氫液化方面的潛在應(yīng)用鋪平道路。

在此，日本國立材料研究所H. Sepehri-Amin等人為了探索開發(fā)低溫MCE無稀土元素化合物的可能性，通過對已發(fā)表的Fe₂P型磁熱化合物實(shí)驗(yàn)結(jié)果進(jìn)行數(shù)據(jù)挖掘且收集了數(shù)據(jù)集，并使用機(jī)器學(xué)習(xí)進(jìn)行成分優(yōu)化旨在將轉(zhuǎn)變溫度降低到77 K以下。其中，作者為基于Fe₂P的化合物收集了包含603個(gè)樣品的數(shù)據(jù)集，并使用基于成分的特征來評估轉(zhuǎn)變溫度（T_tr）。選擇平均絕對誤差（MAE）作為評價(jià)指標(biāo)，且對數(shù)據(jù)集的10次隨機(jī)拆分進(jìn)行了評估，分別以20:80的比例分為測試和訓(xùn)練子集。結(jié)果表明，Mn、Fe和Co等金屬元素與非金屬P、Si 和Ge一起對T_tr的調(diào)節(jié)具有最高的特征重要性。此外，作者采用人工神經(jīng)網(wǎng)絡(luò)用于預(yù)測 Mn_xFe_2-xP_ySi_1-y組成空間內(nèi)的T_tr，結(jié)果證實(shí)Fe的Co取代將擴(kuò)大顯示低溫 MCE 的區(qū)域。

圖1. Fe₂P基磁熱化合物數(shù)據(jù)集的特征向量示意圖

因此，在Mn_xFe_2-xP_ySi_1-y的成分空間內(nèi)，作者基于機(jī)器學(xué)習(xí)發(fā)現(xiàn)了一種很有前景的不含稀土元素的Mn_1.70Fe_0.30P_0.63Si_0.37合金，其T_tr為97 K，在外部磁場（μ₀H_ext）為1 T、溫度為5K的條件下具有121 Am² kg^-1的高磁化強(qiáng)度。此外，在Mn_1.7Co_0.03Fe_0.27P_0.63Si_0.37合金中，用Co輕微部分取代Fe可以將T_tr降低到73 K，但磁化強(qiáng)度會(huì)略微降低到 95 Am²kg^-1。Mn_1.7Co_0.03Fe_0.27P_0.63Si_0.37合金在μ₀H_ext = 0~5 T下的熵變?yōu)?7.5 J/kgK，可逆的絕熱溫度變化為 1.4 K，因此仍需進(jìn)一步的工作來通過合金設(shè)計(jì)和磁滯工程來增加Fe₂P基化合物的磁熵變和可逆絕熱溫度變化。這項(xiàng)工作展示了一種不含稀土元素的磁熱材料用于氫氣液化的新潛力。此外，該研究為通過傳統(tǒng)實(shí)驗(yàn)流程和機(jī)器學(xué)習(xí)相結(jié)合及二者的相互反饋來開發(fā)新型材料提供了一種新策略。

圖2. Mn_xFe_2-xP_ySi_1-y合金磁化強(qiáng)度與溫度的關(guān)系

Machine learning assisted development of Fe₂P-type magnetocaloric compounds for cryogenic applications, Acta Materialia 2022. DOI: 10.1016/j.actamat.2022.117942

4. 德州農(nóng)工大學(xué)Acta Mater.: 機(jī)器學(xué)習(xí)用于快速評估高熵合金的彈性性能

高熵合金（HEAs）是一類新型材料，具有有趣的電子特性和優(yōu)異的機(jī)械性能。基于耐火材料的HEA（RHEA）是一類特殊的HEA，顯示出巨大的應(yīng)用潛力。然而，過高的計(jì)算成本和第一性原理方法的不確定性限制了使用傳統(tǒng)方法探索其指數(shù)級組合設(shè)計(jì)空間。

在此，美國德州農(nóng)工大學(xué)Guillermo Vazquez, Prashant Singh及Raymundo Arróyave等人開發(fā)了基于描述符的機(jī)器學(xué)習(xí)（ML）框架模型，用于在廣闊HEA空間中快速探索機(jī)械性能。具體而言，作者以基于耐火材料的Nb-Ta-Mo-W-V HEAs舉例說明了基于描述符的分析模型對合金空間進(jìn)行快速探索的能力。在從DFT計(jì)算獲得的彈性屬性數(shù)據(jù)庫上，使用基于確定獨(dú)立篩選和稀疏算子（SISSO）的ML方法訓(xùn)練可靠、最優(yōu)和可解釋的分析描述符。作者還對目標(biāo)特性進(jìn)行了詳細(xì)分析，通過關(guān)聯(lián)常見的元素/合金特征以優(yōu)化描述符，從而更好地解釋提出的分析模型，這與黑盒ML模型明顯不同。Nb-Ta-Mo-W-V HEA的預(yù)測剛度矩陣用于評估技術(shù)上有用的量（如屈服強(qiáng)度），這些量可識別與熵的最佳組合更相關(guān)的高強(qiáng)度區(qū)域、具有大尺寸效應(yīng)的區(qū)域、大的電負(fù)性方差和高相穩(wěn)定性區(qū)域等。

圖1. 采樣、特征構(gòu)建和特征分析過程的示意圖

上述預(yù)測的趨勢與有限的現(xiàn)有實(shí)驗(yàn)相匹配，進(jìn)一步建立基于描述符的廉價(jià)方法可以加速技術(shù)上有用HEA的設(shè)計(jì)。甚至，彈性關(guān)系也在五元合金空間中表現(xiàn)出與屈服強(qiáng)度相似的行為，這表明使用分析描述符是估計(jì)延展性的更直接方法。此外，作者還注意到具有優(yōu)異機(jī)械性能的合金成分不一定具有最高化學(xué)熵或價(jià)電子數(shù)。例如，作者在低熵區(qū)域發(fā)現(xiàn)了具有高強(qiáng)度和高相穩(wěn)定性（低形成焓）的成分，這再次質(zhì)疑了將重點(diǎn)放在最大化熵以獲得更好的機(jī)械性能上的做法?？傊@項(xiàng)工作強(qiáng)調(diào)，計(jì)算成本低廉的ML模型對于徹底和準(zhǔn)確地搜索廣闊的HEA組合空間以識別具有理想目標(biāo)屬性的區(qū)域非常重要。為此，對合金空間的無約束搜索允許進(jìn)一步優(yōu)化HEA成分，且各種機(jī)械性能的系統(tǒng)研究將有利于加速尋找技術(shù)上有用的HEA。

圖2. 楊氏模量描述符-交叉驗(yàn)證和誤差分析

Efficient machine-learning model for fast assessment of elastic properties of high-entropy alloys, Acta Materialia 2022. DOI: 10.1016/j.actamat.2022.117924

5. 李先鋒/張長昆Chem. Sci.: 液流電池領(lǐng)域應(yīng)用機(jī)器學(xué)習(xí)的機(jī)遇與挑戰(zhàn)

隨著現(xiàn)代計(jì)算機(jī)計(jì)算能力的提高、數(shù)學(xué)算法的快速發(fā)展及材料數(shù)據(jù)庫的不斷建立，人工智能（AI）在化學(xué)領(lǐng)域展現(xiàn)出巨大的潛力。機(jī)器學(xué)習(xí)（ML）作為AI最重要的分支之一，在加速液流電池（FBs）關(guān)鍵材料的發(fā)現(xiàn)和設(shè)計(jì)及FB系統(tǒng)的優(yōu)化方面發(fā)揮著重要作用。

在此，中科院大連化物所李先鋒研究員、張長昆研究員等人總結(jié)了FB領(lǐng)域應(yīng)用ML的最新進(jìn)展。首先，作者提供了對ML工作流程的基本理解：第一步是數(shù)據(jù)集構(gòu)建，為ML應(yīng)用收集足夠的數(shù)據(jù)樣本。第二步是特征工程，基于原始數(shù)據(jù)通過數(shù)學(xué)表示創(chuàng)建新的特征。隨后，將數(shù)據(jù)隨機(jī)劃分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，利用ML算法在訓(xùn)練數(shù)據(jù)集的特征和目標(biāo)函數(shù)之間建立模型。接下來，對算法的參數(shù)進(jìn)行調(diào)整以優(yōu)化模型，然后通過測試數(shù)據(jù)集評估模型的準(zhǔn)確性。最后，經(jīng)過驗(yàn)證的模型可用于預(yù)測未知數(shù)據(jù)的屬性。此外，作者總結(jié)了最先進(jìn)的ML算法在有機(jī)液流電池（OFB）和釩基液流電池（VFB）系統(tǒng)中的成功應(yīng)用，還包括基于高通量計(jì)算模擬的FBs有機(jī)氧化還原活性分子的物理和電化學(xué)性質(zhì)的預(yù)測。

圖1. ML的一般應(yīng)用工作流程

最后，作者對ML在FBs中應(yīng)用的主要局限性和未來研究方向進(jìn)行了展望：（1）相關(guān)數(shù)據(jù)庫和算法的構(gòu)建和共享。擁有足夠數(shù)據(jù)量和可靠數(shù)據(jù)的數(shù)據(jù)庫是ML在FB中應(yīng)用的第一個(gè)關(guān)鍵步驟，如何更有效地共享數(shù)據(jù)是另一個(gè)挑戰(zhàn)；（2）提高堆棧性能和降低系統(tǒng)成本。ML已應(yīng)用于連接VFB的堆棧性能和系統(tǒng)成本，還可為其他FB構(gòu)建性能成本模型。此外，可更多關(guān)注時(shí)間序列預(yù)測方法的結(jié)合；（3）監(jiān)測系統(tǒng)運(yùn)行參數(shù)及對參數(shù)進(jìn)一步預(yù)測。ML可根據(jù)FB系統(tǒng)產(chǎn)生的海量運(yùn)行數(shù)據(jù)預(yù)測運(yùn)行參數(shù)，進(jìn)而指導(dǎo)系統(tǒng)運(yùn)行。此外，通過在運(yùn)行參數(shù)和性能之間建立模型，ML可用于優(yōu)化 FB 系統(tǒng)的總體成本；（4）提高M(jìn)L模型的可解釋性。這可為理解原始設(shè)計(jì)的機(jī)理和規(guī)律、發(fā)現(xiàn)能源材料、指導(dǎo)堆棧和系統(tǒng)的優(yōu)化提供啟發(fā)，如何建立一個(gè)機(jī)制清晰、可理解的模型將是未來的一個(gè)重要研究方向。

圖2. 面向FBs的ML未來研究展望

Machine learning for flow batteries: opportunities and challenges, Chemical Science 2022. DOI: 10.1039/D2SC00291D

6. 魯東大學(xué)陳雪葉Nanoscale: 通過機(jī)器學(xué)習(xí)智能控制納米顆粒合成

納米顆粒的合成受許多反應(yīng)條件的影響，其性質(zhì)通常由其尺寸、形狀和表面化學(xué)等因素決定。為了使合成的納米顆粒具有適用于不同領(lǐng)域（如光學(xué)、電子學(xué)、傳感器應(yīng)用等）的功能，對其性能進(jìn)行精確控制是必不可少的。然而，以目前在微反應(yīng)器上制備納米顆粒的技術(shù)，實(shí)現(xiàn)精確合成既費(fèi)時(shí)又費(fèi)力。

為此，魯東大學(xué)陳雪葉教授等人綜述了近年來采用微流體制備納米顆粒的方法和原理，并描述了機(jī)器學(xué)習(xí)的實(shí)施步驟、功能及其在納米技術(shù)中的應(yīng)用。其中，機(jī)器學(xué)習(xí)輔助納米顆粒合成的研究可以概括為兩個(gè)主要領(lǐng)域：（1）監(jiān)督學(xué)習(xí)預(yù)測合成后納米顆粒的特定光學(xué)、電子和傳感特性。通過將反應(yīng)條件作為輸入變量及納米顆粒特性作為輸出目標(biāo)，并選擇不同的機(jī)器學(xué)習(xí)算法來構(gòu)建二者的映射關(guān)系，能夠精確地控制合成具有所需功能的納米顆粒。（2）在用于預(yù)測納米顆粒的神經(jīng)網(wǎng)絡(luò)模型中，神經(jīng)元數(shù)量和隱藏層數(shù)量等超參數(shù)對預(yù)測能力有直接影響。一方面，可以通過定義損失函數(shù)來對超參數(shù)進(jìn)行貝葉斯優(yōu)化，使預(yù)測模型更具權(quán)威性。另一方面，可以根據(jù)實(shí)驗(yàn)條件定義“不滿意系數(shù)”。最后，可以迭代優(yōu)化控制算法，直到優(yōu)化結(jié)束并達(dá)到目標(biāo)要求。

圖1. 機(jī)器學(xué)習(xí)算法的主要步驟

目前，機(jī)器學(xué)習(xí)輔助的納米顆粒合成也普遍存在一些問題。一方面，難以實(shí)現(xiàn)精確的合成控制，通過在線光譜儀收集納米顆粒的發(fā)射光譜來表征納米顆粒尺寸的方法引入了一些誤差。另一方面，機(jī)器學(xué)習(xí)輔助合成納米顆粒需要大量時(shí)間和精力投入。對此，作者認(rèn)為：（1）關(guān)于上述誤差問題，采用傅里葉變換紫外光譜儀和紅外光譜儀等設(shè)備來表征納米顆粒的大小值得考慮；（2）關(guān)于準(zhǔn)確測量納米顆粒尺寸的問題，可使用TEM在線獲取納米顆粒圖像，并通過計(jì)算機(jī)處理圖像的方法來確定其尺寸；（3）關(guān)于上述時(shí)間成本問題，遷移學(xué)習(xí)可通過將訓(xùn)練好的模型參數(shù)遷移到新模型來幫助訓(xùn)練新模型，這可以大大降低訓(xùn)練模型的時(shí)間成本。盡管目前機(jī)器學(xué)習(xí)輔助制備納米顆粒技術(shù)的不成熟意味著仍然存在許多挑戰(zhàn)，但這并不妨礙其具備的新穎性和巨大研究潛力。

圖2. 機(jī)器學(xué)習(xí)輔助金屬納米顆粒合成優(yōu)化

Intelligent control of nanoparticle synthesis through machine learning, Nanoscale 2022. DOI: 10.1039/D2NR00124A

原創(chuàng)文章，作者：v-suan，如若轉(zhuǎn)載，請注明來源華算科技，注明出處：http://m.xiubac.cn/index.php/2023/10/14/6ebb1562eb/

国产三级精品三级在线观看,国产高清无码在线观看,中文字幕日本人妻久久久免费,亚洲精品午夜无码电影网

機(jī)器學(xué)習(xí)頂刊匯總：InfoMat、JACS、Acta Mater.、Chem. Sci.、Nanoscale等成果

相關(guān)推薦

機(jī)器學(xué)習(xí)頂刊匯總：InfoMat、JACS、Acta Mater.、Chem. Sci.、Nanoscale等成果