机器学习在非晶材料中的应用

机器学习在非晶材料中的应用

吴佳琦，孙奕韬，汪卫华，李茂枝

中国科学: 物理学 力学 天文学, 50卷, 6期

https://doi.org/10.1360/SSPMA-2019-0345

摘 要

在本综述中，我们对定量结构-属性关系的发展进行了概述，作为新兴非晶材料的金属玻璃由于其优异的力学、物理以及化学性能而被广泛研究。玻璃形成能力一直是制约着非晶材料发展的重要问题，为了设计出具有良好玻璃形成能力的非晶材料, 对非晶材料的玻璃形成能力已经有大量的研究。研究表明单一的影响因素不足以全面解释非晶材料的玻璃形成能力, 即玻璃形成能力是由多种因素共同影响的。另一方面, 由于非晶材料具有复杂且无序的结构, 传统的方法难以全面、清晰地理解非晶材料的结构与本质。机器学习这一新的研究范式为解决非晶材料领域的关键瓶颈问题提供了新的途径和契机。本文首先简单介绍了一些机器学习算法, 如支持向量机、人工神经网络和K均值聚类. 随后介绍了机器学习在非晶材料中的应用，包括非晶结构分类、非晶结构-性能关联和非晶宏观性质的预测，并提出了基于机器学习方法在未来非晶研究中的应用前景，包括非晶数据库的建立、高通量计算方法的发展和机器学习势函数的发展。

关键词

      机器学习，非晶材料，玻璃形成能力，结构-性能关联

文章附图

图1 支持向量机算法预测玻璃形成能力的基本过程

（包括数据库的建立、SVM模型训练、模型评估和模型的预测）

图2 根据不同输入参量训练所得SVM模型评估

图3 最佳SVM模型预测玻璃形成能力P_GFA

图4 三角图表示杨氏模量E随着组分的变化

(a) 高通量分子动力学模拟所得的结果;(b) 人工神经网络(ANN)预测的结果;

(c) ANN模型预测的结果与高通量计算模拟的结果之间的比较;

(d) 分子动力学模拟数值、实验数值和ANN模型预测数值之间的对比