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. 阿貢實(shí)驗(yàn)室Nat. Commun.: 連續(xù)動(dòng)作空間中的強(qiáng)化學(xué)習(xí)用于開發(fā)高維勢能模型

機(jī)器學(xué)習(xí)頂刊匯總：Nature子刊、Sci. Adv.、AM、ACS Nano、npj Comput. Mater.等

將樹搜索與深度學(xué)習(xí)相結(jié)合的強(qiáng)化學(xué)習(xí)（RL）方法在搜索非常大但離散的動(dòng)作空間（如在國際象棋、將棋和圍棋中）方面取得了顯著成功。許多現(xiàn)實(shí)世界的材料發(fā)現(xiàn)和設(shè)計(jì)應(yīng)用涉及多維搜索問題和具有連續(xù)動(dòng)作空間的學(xué)習(xí)領(lǐng)域，探索材料的高維勢能模型就是一個(gè)例子。

在此，美國阿貢國家實(shí)驗(yàn)室Subramanian KRS Sankaranarayanan等人基于RL和決策樹的強(qiáng)大思想，在高維連續(xù)動(dòng)作空間中開發(fā)了一種有效的連續(xù)蒙特卡洛樹搜索算法（c-MCTS）。與傳統(tǒng)的離散蒙特卡洛樹搜索（MCTS）和最近的連續(xù)動(dòng)作空間MCTS方法顯著不同，作者引入了三個(gè)概念來解決連續(xù)動(dòng)作空間問題：（1）避免退化的唯一性函數(shù)，（2）將樹深度與動(dòng)作空間相關(guān)聯(lián)，（3）實(shí)施自適應(yīng)采樣。第一個(gè)概念確保在MCTS期間僅探索獨(dú)特的節(jié)點(diǎn)，這避免了兩個(gè)最初分離的MCTS分支收斂到連續(xù)搜索空間的同一區(qū)域的常見問題。更重要的是，這解決了多個(gè)物理問題中經(jīng)常遇到的相同（退化）解的多個(gè)表示問題（如可以使用不同的晶胞定義來表示相結(jié)構(gòu)）。第二個(gè)概念為算法提供了一個(gè)有意義的結(jié)構(gòu)，子葉在比父節(jié)點(diǎn)更窄的區(qū)域內(nèi)搜索。最后，為了提高質(zhì)量，特別是在高維搜索空間的情況下，隨機(jī)模擬偏向于對那些更接近父葉的區(qū)域進(jìn)行采樣。

圖1. 使用e-MCTS對納米團(tuán)簇的勢能面進(jìn)行高通量探索后的模型性能

使用高維人工景觀和控制RL問題，作者成功地將該方法分別與流行的全局優(yōu)化方案和最先進(jìn)的策略梯度方法進(jìn)行了基準(zhǔn)測試，c-MCTS廣泛優(yōu)于最先進(jìn)的元啟發(fā)式和其他優(yōu)化方法。作者應(yīng)用這種方法為元素周期表中的54個(gè)元素開發(fā)了準(zhǔn)確的鍵序勢（具有18維搜索空間），而傳統(tǒng)方法需要多年的努力。一方面，開發(fā)的勢能將有助于材料模擬界的發(fā)展，因?yàn)槠淇梢詼?zhǔn)確地捕獲跨大配置空間的能量和原子力，使其在催化領(lǐng)域具有吸引力，特別是對于涉及形成局部活性位點(diǎn)的單原子催化劑的問題。另一方面，c-MCTS將有助于解決材料發(fā)現(xiàn)中的巨大挑戰(zhàn)，這些挑戰(zhàn)通常涉及在連續(xù)空間中進(jìn)行搜索。

圖2. 各種代表性元素系統(tǒng)簇的動(dòng)態(tài)穩(wěn)定性

Learning in continuous action space for developing high dimensional potential energy models, Nature Communications 2022. DOI: 10.1038/s41467-021-27849-6

2. 密歇根大學(xué)呂煒教授Nat. Commun.: 用于拓?fù)鋬?yōu)化的自主在線機(jī)器學(xué)習(xí)

通過在給定域中優(yōu)化分布材料的拓?fù)鋬?yōu)化需要非梯度優(yōu)化器來解決高度復(fù)雜的問題。然而，由于涉及數(shù)百個(gè)或更多設(shè)計(jì)變量，解決此類問題將需要數(shù)百萬次有限元法（FEM）計(jì)算，其計(jì)算成本巨大且不切實(shí)際。

在此，美國密歇根大學(xué)呂煒教授等人報(bào)道了將深度神經(jīng)網(wǎng)絡(luò)（DNN）與 FEM 計(jì)算相結(jié)合的自主導(dǎo)向在線學(xué)習(xí)優(yōu)化（SOLO）算法，以顯著加速非梯度拓?fù)鋬?yōu)化。DNN用于將設(shè)計(jì)映射到目標(biāo)并作為替代模型來近似和替換計(jì)算成本高昂的原始函數(shù)，啟發(fā)式優(yōu)化算法根據(jù)DNN的預(yù)測找到可能的最優(yōu)設(shè)計(jì)。基于最優(yōu)值，通過FEM動(dòng)態(tài)生成和評估新的查詢點(diǎn)作為額外的訓(xùn)練數(shù)據(jù)。這種自主導(dǎo)向的在線學(xué)習(xí)循環(huán)不斷重復(fù)直到收斂，可以歸類為基于模型的序列超參優(yōu)化（SMBO）算法的迭代學(xué)習(xí)方案利用了啟發(fā)式方法的搜索能力和DNN的高計(jì)算速度。與基于梯度的方法相比，該算法不依賴于拓?fù)鋬?yōu)化問題的目標(biāo)函數(shù)的梯度信息。除了連續(xù)變量之外，此屬性還允許將其應(yīng)用于二進(jìn)制和離散設(shè)計(jì)變量。

圖1. 具有40×16設(shè)計(jì)變量的流體結(jié)構(gòu)優(yōu)化問題的設(shè)置和結(jié)果

此外，作者證明了該方法在解決4種類型的8個(gè)問題中的有效性，即2個(gè)柔量最小化問題（設(shè)計(jì)固體以使結(jié)構(gòu)在給定載荷下實(shí)現(xiàn)最大剛度）、2個(gè)流體結(jié)構(gòu)優(yōu)化問題（設(shè)計(jì)流體隧道以最小化給定入口的流體壓力損失）、1個(gè)傳熱增強(qiáng)問題（設(shè)計(jì)銅結(jié)構(gòu)以減少蓄熱系統(tǒng)的充電時(shí)間）和3個(gè)桁架優(yōu)化問題（選擇桁架中鋼筋的橫截面積）。與直接應(yīng)用包括廣義模擬退火（GSA）、二進(jìn)制蝙蝠算法（BBA）和蝙蝠算法（BA）在內(nèi)的啟發(fā)式方法相比，該算法將計(jì)算成本降低了至少兩個(gè)數(shù)量級。這項(xiàng)研究通過將深度學(xué)習(xí)嵌入到優(yōu)化方法中為高維優(yōu)化帶來了新的視角，還可以結(jié)合更多技術(shù)，如并行FEM計(jì)算、不確定性建模和基于靈敏度分析的干擾以提高性能。

圖2. 三個(gè)不同鋼筋數(shù)量的桁架優(yōu)化問題的設(shè)置和結(jié)果

Self-directed online machine learning for topology optimization, Nature Communications 2022. DOI: 10.1038/s41467-021-27713-7

3. 烏得勒支大學(xué)Science子刊: 基于深度學(xué)習(xí)的進(jìn)化策略逆向設(shè)計(jì)軟材料

膠體自組裝，即膠體自發(fā)組織成有序結(jié)構(gòu)被認(rèn)為是生產(chǎn)下一代材料的關(guān)鍵。然而，當(dāng)今驚人的各種膠體構(gòu)件和無限多的熱力學(xué)條件使得系統(tǒng)的探索變得困難重重。該領(lǐng)域的真正挑戰(zhàn)是扭轉(zhuǎn)這種邏輯并開發(fā)一種強(qiáng)大的通用算法來逆向設(shè)計(jì)自組裝成目標(biāo)結(jié)構(gòu)的膠體。

在此，荷蘭烏得勒支大學(xué)Gabriele M. Coli, Emanuele Boattini等人介紹了一種基于深度學(xué)習(xí)技術(shù)的通用逆向設(shè)計(jì)方法（IDM），通過針對晶體、準(zhǔn)晶體（QC）和液晶的衍射圖案進(jìn)行有效的逆向設(shè)計(jì)工程。該方法主要包括三個(gè)步驟：（i）采樣，（ii）適應(yīng)度評估和（iii）更新?；跈C(jī)器學(xué)習(xí)的有序參數(shù)與搜索多維參數(shù)空間的進(jìn)化策略相結(jié)合，以優(yōu)化膠體相互作用和熱力學(xué)條件（密度、溫度等）以實(shí)現(xiàn)目標(biāo)相的自組裝。將IDM設(shè)計(jì)為逆向工程階段，從晶體到液晶和QC通常需要兩個(gè)要素：首先，應(yīng)該定義一個(gè)對多個(gè)階段的全局結(jié)構(gòu)敏感的順序參數(shù)，且可以將其用作適應(yīng)度函數(shù)，指示與期望結(jié)果的“接近”程度。其次，必須設(shè)計(jì)一種數(shù)學(xué)方案來根據(jù)選擇的適應(yīng)度函數(shù)更新設(shè)計(jì)參數(shù)。

圖1. 三種QC（QC12、QC10和QC18）的逆向工程

為此，作者訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（CNN）從衍射圖案中對不同的相位進(jìn)行分類并使用結(jié)果構(gòu)建適應(yīng)度函數(shù)，并將更大的適應(yīng)度分配給具有更高概率被分類為目標(biāo)階段的樣本。最后，在此分?jǐn)?shù)的基礎(chǔ)上，使用協(xié)方差矩陣自適應(yīng)方程更新多元高斯分布的均值和協(xié)方差矩陣，這些方程旨在促進(jìn)參數(shù)空間的有效探索。事實(shí)證明，該算法非常穩(wěn)健和通用，不僅有助于晶體和液晶相的逆向設(shè)計(jì)，而且還有助于QC的逆向設(shè)計(jì)。該結(jié)果為結(jié)構(gòu)優(yōu)化和發(fā)現(xiàn)鋪平了道路，特別是對于二元和三元系統(tǒng)，由于尺寸比和組成等新的系統(tǒng)參數(shù)，設(shè)計(jì)空間變得更大。在這些情況下，目前對相圖和新興相的了解有限，IDM可以證明是極其寶貴和高效的。

圖2. 在軟球柱體的3D模型中對QC12進(jìn)行逆向工程

Inverse design of soft materials via a deep learning–based evolutionary strategy, Science Advances 2022. DOI: 10.1126/sciadv.abj6731

4. 萊斯大學(xué)AM: 機(jī)器學(xué)習(xí)指導(dǎo)閃速焦耳加熱法合成石墨烯

納米科學(xué)的進(jìn)步使得能夠通過閃速焦耳加熱從低價(jià)值或廢料中合成納米材料，例如石墨烯。盡管這種方法很有發(fā)展前景，但目前對焦耳加熱過程中控制納米晶體形成的復(fù)雜變量仍然知之甚少。

在此，美國萊斯大學(xué)James M. Tour等人構(gòu)建了機(jī)器學(xué)習(xí)（ML）模型，以探索在閃速焦耳加熱過程中驅(qū)動(dòng)無定形碳轉(zhuǎn)化為石墨烯納米晶體的因素。這些反應(yīng)中使用的起始材料是：炭黑、塑料廢料衍生的熱解灰、熱解橡膠輪胎和冶金焦。然后，作者通過廣域拉曼映射評估了每個(gè)樣品的結(jié)構(gòu)特征。接下來，作者構(gòu)建ML 回歸模型以預(yù)測源自拉曼光譜映射的石墨烯產(chǎn)率指標(biāo)。首先，從用于預(yù)測石墨烯產(chǎn)率的可用參數(shù)中憑經(jīng)驗(yàn)選擇了總共5個(gè)特征。然后，使用5個(gè)選定的特征來訓(xùn)練6個(gè)ML回歸模型來預(yù)測石墨烯產(chǎn)量，包括線性回歸（LR-R）、貝葉斯回歸（BR-R）、多層感知器（MLP-R）、決策樹（DT-R）、隨機(jī)森林（RF-R）、和極端梯度提升（XGB-R），所有回歸模型使用5折交叉驗(yàn)證進(jìn)行訓(xùn)練。

圖1. 預(yù)測石墨烯產(chǎn)量的6種回歸模型的性能

結(jié)果顯示，結(jié)晶度的XGBoost回歸模型（XGB-R）具有最佳的預(yù)測性能，R²為0.8051 ± 0.054，提取的特征重要性分析和決策樹揭示了選擇起始材料的關(guān)鍵考慮因素及隨機(jī)電流波動(dòng)在閃速焦耳熱合成中的作用。此外，部分依賴性分析證明了電荷和電流密度作為結(jié)晶度預(yù)測指標(biāo)的重要性，這意味著隨著閃速焦耳加熱參數(shù)的變化，從反應(yīng)受限動(dòng)力學(xué)到擴(kuò)散受限動(dòng)力學(xué)的進(jìn)展。最后，作者展示了ML模型的實(shí)際應(yīng)用，通過使用貝葉斯元學(xué)習(xí)算法在許多焦耳加熱反應(yīng)中自動(dòng)提高體積結(jié)晶度。這些結(jié)果說明了ML作為分析復(fù)雜納米制造過程的工具的強(qiáng)大功能，并能夠通過閃速焦耳加熱合成具有所需特性的二維晶體。

圖2. XGB-R模型預(yù)測石墨烯產(chǎn)率的特征分析

Machine Learning Guided Synthesis of Flash Graphene, Advanced Materials 2022. DOI: 10.1002/adma.202106506

5. 南大郝玉峰ACS Nano: 人工神經(jīng)元網(wǎng)絡(luò)實(shí)現(xiàn)二維材料和范德華異質(zhì)結(jié)構(gòu)的識(shí)別和表征

二維（2D）材料及其面內(nèi)和面外（即范德華，vdW）異質(zhì)結(jié)構(gòu)是下一代電子和光電器件的有前途的構(gòu)建模塊。由于器件的性能在很大程度上取決于材料的晶體質(zhì)量和異質(zhì)結(jié)構(gòu)的界面特性，因此需要一種快速且無損的方法來區(qū)分和表征各種2D構(gòu)件以促進(jìn)器件的集成。

在此，南京大學(xué)郝玉峰教授等人提出了一個(gè)基于有監(jiān)督的人工神經(jīng)網(wǎng)絡(luò)（ANN）模型的深度學(xué)習(xí)算法，它使用光學(xué)顯微鏡圖像中的六個(gè)原色通道，即紅色、綠色、藍(lán)色（RGB）和色調(diào)、飽和度、亮度（HSV）作為輸入信息來區(qū)分和表征各種 2D材料，包括絕緣體（h-BN）、半導(dǎo)體（WS₂、MoS₂、MoTe₂、WSe₂和 MoSe₂）、半金屬（石墨烯）和超導(dǎo)體（Bi₂Sr₂CaCu₂O₈，即BSCCO-2212）。研究表明，該算法在區(qū)分二維材料方面表現(xiàn)出卓越的性能，能夠在不同成像條件下對八種單層和雙層二維材料進(jìn)行分類，準(zhǔn)確率遠(yuǎn)高于90%（總體準(zhǔn)確率在90~100%之間，平均準(zhǔn)確率為96.25%）。此外，由于光強(qiáng)變化，預(yù)測結(jié)果穩(wěn)定，因此光強(qiáng)不影響識(shí)別精度。

圖1. ANN模型對二維材料的識(shí)別性能

更重要的是，這種數(shù)據(jù)驅(qū)動(dòng)的方法實(shí)現(xiàn)了兩個(gè)有趣的功能：（1）解決平面內(nèi)生長的化學(xué)氣相沉積（CVD）和vdW異質(zhì)結(jié)構(gòu)的界面分布，可以快速識(shí)別 CVD 生長的MoS₂/WS₂異質(zhì)結(jié)構(gòu)的化學(xué)成分和界面配置；（2）在三元回歸模型的輔助下，ANN模型可以識(shí)別 CVD 生長的 MoS₂的硫空位缺陷濃度，避免使用原子分辨 TEM、掃描隧道顯微鏡（STM）等傳統(tǒng)表征策略。因此，這兩個(gè)功能可用于在未來快速識(shí)別樣品質(zhì)量并優(yōu)化合成參數(shù)。這項(xiàng)研究表明，基于ANN的工具能夠快速、高效、無損地表征各種2D構(gòu)建塊，從而大大加快其在各種設(shè)備中的使用。

圖2. CVD-MoS₂中缺陷濃度的識(shí)別

Artificial Neuron Networks Enabled Identification and Characterizations of 2D Materials and van der Waals Heterostructures, ACS Nano 2022. DOI: 10.1021/acsnano.1c09644

6. 趙仕俊/吳正剛npj Comput. Mater.: 機(jī)器學(xué)習(xí)指導(dǎo)設(shè)計(jì)高熵碳化物陶瓷

高熵陶瓷（HEC）在高應(yīng)力和高溫等苛刻條件下顯示出巨大的應(yīng)用潛力。然而，巨大的相空間對新型高性能HEC的合理設(shè)計(jì)提出了巨大挑戰(zhàn)。

在此，香港城市大學(xué)趙仕俊教授、湖南大學(xué)吳正剛教授等人開發(fā)了機(jī)器學(xué)習(xí)（ML）模型來發(fā)現(xiàn)高熵碳化物陶瓷（HECC），以基于HECC候選物及其組成二元過渡金屬碳化物（TMC）的化學(xué)屬性來預(yù)測HECC的單相概率。利用從DFT計(jì)算中獲得的前兆信息和參數(shù)，訓(xùn)練有素的支持向量機(jī)（SVM）和人工神經(jīng)網(wǎng)絡(luò)（ANN）模型可以預(yù)測其中陽離子來自IV、V或VI族的單相HECC。IV族和V族TMC可以很容易地形成具有改善機(jī)械性能的單相HECC，由于VI族金屬中的更高價(jià)填充，作者預(yù)計(jì)這些元素的加入可以進(jìn)一步提高HECC的性能。

圖1. ML模型的性能

研究表明，ML模型展示了很高的預(yù)測準(zhǔn)確度（SVM和ANN模型分別為0.982和0.944）。使用這些訓(xùn)練有素的模型，作者研究了約90個(gè)未合成的HECC的單相概率并預(yù)測了38個(gè)單相 HECC，其中包含來自IV、V和VI族金屬的五種陽離子，這些預(yù)測與當(dāng)前的實(shí)驗(yàn)結(jié)果非常吻合。通過僅對組成前體的特性進(jìn)行訓(xùn)練，該ML模型能夠預(yù)測非等原子HECC的相形成概率。作者進(jìn)一步建立了跨越整個(gè)成分空間的非等原子HECC的相圖，通過該相圖可以輕松識(shí)別單相狀態(tài)。因此，該研究開發(fā)的ML模型可以加速等原子和非等原子HECC的發(fā)現(xiàn)，這為沉浸式相空間內(nèi)的合理HECC設(shè)計(jì)開辟了道路，從而可以有效地調(diào)整HECC的特性。

圖2. 不同特征的相對重要性分析

Design high-entropy carbide ceramics from machine learning, npj Computational Materials 2022. DOI: 10.1038/s41524-021-00678-3

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/2023/10/15/84b841b1fe/

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：Nature子刊、Sci. Adv.、AM、ACS Nano、npj Comput. Mater.等

相關(guān)推薦

機(jī)器學(xué)習(xí)頂刊匯總：Nature子刊、Sci. Adv.、AM、ACS Nano、npj Comput. Mater.等