机器学习在湍流燃烧及发动机中的应用与展望

随着燃烧科学的发展，数值仿真与实验测量产生了大量数据，这些数据隐含许多有效的物理信息。传统研究方法对此类信息主要利用基于物理规则的模型去处理，但随着数据量的增加，基于数据驱动的方法开始受到重视。机器学习(machine learning, ML)技术由于在数据分析和处理方面取得了巨大成功，为处理燃烧领域的大量数据提供了一种新的范式。该文简要介绍了ML在湍流燃烧中的应用，主要包括化学反应、燃烧建模、发动机性能预测与优化、燃烧不稳定性预测与控制等4个方面，讨论了机器学习在燃烧研究中面临的挑战，并对未来应用进行了展望。     

应用机器学习加速新材料的研发

材料不仅是国民经济的基础,而且也是高新技术的载体.超越常规手段、应用新方法加速新材料的研发已成为全世界的研究热点.随着数据驱动方法取得的巨大成功,机器学习受到了日益高度的关注.它结合计算机科学、数据库理论、统计学、计算数学和工程学,不仅能展现出更快的计算速度和可靠的预测能力,大幅度提升材料计算效率,而且还能有效地处理一些难以运用传统模拟计算方法解决的体系和问题,这为研发具有特殊功能和特殊结构的新材料以满足日益提升的新技术的要求提供了契机.本文将简要概述机器学习的基本原理,介绍机器学习模型中的几种典型算法以及机器学习在新材料研究中的应用进展,并对机器学习在材料科学领域中的未来的发展前景做出展望.     

机器学习在油气行业中的应用进展综述

近年来,随着深度学习的兴起,机器学习在油气领域得到了进一步深入发展。但是,由于油气行业的特殊性和复杂性,目前还没有建成适用于深度学习的训练样本库,也没有针对性的模型建立和选择方法体系。此外,深度学习方法的不可解释性,导致了学习的模型对环境的高度依赖,制约了机器学习在油气行业中的推广应用。从机器学习的发展阶段出发,介绍机器学习在油气行业各领域的应用中所涉及的重大突破及仍然存在的问题。针对油气行业中不同类型数据的处理方法、样本建立以及如何进行模型适应性分析等方面给出了建议,提出可解释机器学习在油气人工智能上的发展潜力以及研究方向。     

材料属性知识图谱的建设与发展浅析

随着大数据技术的进一步发展,机器学习技术和数据挖掘技术已经成为材料科学领域的研究热点.但是目前的材料信息很少有与物理相关的属性可供搜索,通常只显示直接计算或测量的数据,然而材料物质属性具有内在的相互关联.本文从材料属性知识图谱建设方法、材料数据库的建设及使用、材料属性的分析与利用等方面论述了材料属性知识图谱的发展趋势.结果表明,材料数据库的建立与发展为知识图谱的建设提供了充足的数据来源,为后续研究奠定了坚实的基础.在材料属性数据库的建设、发展和应用过程中还存在许多的问题有待解决,材料属性知识图谱的建设与发展道阻且长.     

机器学习在高熵电催化材料中的研究进展

高熵材料(high-entropy material, HEM)是一类具有良好性能的新型材料,以其较好的催化潜力、耐腐蚀性能等特点受到广泛关注.传统的高熵催化剂研究大多局限于各自的知识体系,难以兼容合并,不利于更优异的催化剂的后续研发.机器学习(machine learning,ML)作为一种基于大数据集来建立数理模型、进行研究推理的新兴学科,正逐步成为人们重点关注的人工智能科学分支.通过机器学习建立大数据库可以有效改善传统的研究状况,使研究效率大为提高.机器学习能用于识别定量的组分-结构-性能关系,通过从历史数据中学习而无需通过显式编程来加速电催化剂的设计.对机器学习算法、高熵材料进行了介绍,并阐述了机器学习在设计高熵电催化剂中的应用,讨论了机器学习在高熵电催化剂筛选和预测方面的发展前景.     

科学的数据挖掘和知识发现 原则和基础

随着数据存储技术的发展,大型的数据库为保证机器学习和统计等许多领域的研究人员发展能应用于不同领域科学的数据分析新技术提供了可能。特别在生物、化学、物理和天文学等学科中,统计方法、计算方法和机器学习等技术已经有了非常显著成功的应用。随着本体论和知识表示的新发展,自动科学发现（ASD）具有很光明的前景,并且将走得更远。     

一种机器学习与相变之间的新型映射（英文）

相变是一个重要的物理概念,它代表着从一个热力学状态到另一个热力学状态的转变.它在凝聚态物理、粒子物理、天体物理等物理领域有着广泛的应用.机器学习是研究通过经验自动改进的计算机算法.近年来,随着深入学习的成功,它也是一个非常活跃的研究领域.于是从视觉上证明了监督学习的训练过程与阶段过渡过程十分相似,有可能确定相变理论的核心概念,如对称性断裂或机器学习中的临界点.以MNIST数据集的伊辛模型和自动编码器为例,说明了机器学习训练过程中的"相变".这种介于机器学习和相变之间的新映射,为理解机器学习带来了新的方法,并使从物理角度解决机器学习问题成为可能.     

机器学习在非晶材料中的应用

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.     

人工智能中的机器学习研究及其应用

机器学习是人工智能研究的中心问题。本文首先介绍了机器学习的背景——人工智能的研究和发展，机器学习的概念。提出了机器学习的研究目标和方法，建立并讨论了一个简单的学习模型。最后指出机器学习的发展必须依靠思维科学的发展，提出了发展机器学习的趋势。     

块体非晶合金的研究进展

块体非晶合金具有比各种传统材料更为优异的物理、化学、力学性能及精密成型性,因而一直是材料科学与物理研究的热点。本文分析讨论了该领域中存在的一些基本的问题,并从成分结构条件、热力学条件、动力学条件等方面阐述了块体非晶合金的形成机制,介绍了块体非晶合金优异的性能和应用前景,并扼要介绍了块体非晶合金未来的发展趋势及方向。     

福建省人工智能学科发展研究报告

2006年以来,伴随着大数据、高性能并行计算、深度学习等技术的发展,数据快速积累,运算能力大幅提升,算法模型持续演进,人工智能迎来新的一次发展高潮,人工智能正在成为关系国民经济、社会发展和国家安全的一个重要领域。在此背景下,深入研究国内外人工智能学科发展的状况和趋势,特别是梳理福建省人工智能学科的发展和产业情况,为政府决策提供建议参考,对于福建省进一步把握机遇,依靠新兴产业带动传统产业转型升级,推动经济发展具有重要意义。该研究报告从基础、方法以及应用三个不同层次介绍国内外人工智能学科发展现状,从科学研究、产业发展、教育教学等方面介绍福建省人工智能学科发展现状和存在的问题,预测人工智能学科发展趋势,并提出福建省人工智能学科发展的对策建议。     

新型高温高熵合金材料研究进展

 高熵合金是一类新型金属材料,对其研究目前已发展成为涉及材料、物理、化学、力学和计算科学等多学科交叉融合的前沿方向,尤其是近10年来出现的具有高强度、高硬度、高耐磨性、耐高温性、耐腐蚀性等性能特点的高温高熵合金,在推动高温防护领域的材料科学创新发展与工程化应用方面具有重要意义。综合阐述了高温高熵合金材料研究领域取得的一系列科技成果,包括高温高熵合金材料的定义、形成机理、材料体系设计和综合性能等;分析了高温高熵合金材料极端服役环境的复杂性、材料计算设计及其性能的相关性,总结提出高温高熵合金材料研究领域的十大科学问题,为高温高熵合金材料的未来发展提供参考。     

网站用户偏好度的数据挖掘模型

数据挖掘和数据库知识发现是当前国际科技界的一个研究热点。这是一个介于统计学、模式识别、人工智能、机器学习、数据库技术以及高性能并行计算等领域的交叉新兴学科,具有极为广泛的应用前景。在基于统计学观点的基础上讨论了网站用户偏好度的数据挖掘模型,设计了一个网站用户信息浏览偏好度的数据挖掘模型。     

空间材料科学专题·编者按

空间材料科学是在微重力、空间辐射和高真空等空间环境条件下,研究材料的结构、性能变化和制备过程的规律,以及材料物理、化学性能变化和使役行为的学科.她既是基于空间技术发展也是基于空间技术发展需求而诞生的材料科学的一个新分支,集材料科学、凝聚态物理、物理化学、流体物理学、工程热物理学、空间环境和空间技术等多领域分支学科的交叉.     

数据科学范式下的钙钛矿结构铁电新材料研究

 材料基因组计划倡导预测式新材料研发理念，推进高通量数据生产和利用技术，关注材料全生命周期价值。因此，材料基因组计划的执行需要在材料科学系统工程的框架下，集成统一计算、实验和理论等研究方法，以数据科学新范式为牵引、协同运用实验观测、理论建模和计算仿真研究范式，最终建立相关材料体系的性能与材料基因（原子系统的组成与结构）、工艺参数与使役条件之间的量化关系和数据库，实现新材料的按需设计和应用。本文在简单探讨科学研究范式、材料基因组计划和材料科学系统工程基本概念和方法的基础上，以钙钛矿结构氧化物铁电压电材料研究为例，探讨了数据科学范式下的新材料研究实践。结果表明，数据挖掘驱动的新材料设计确实可以降低探索时间和实验任务，加快新材料的发现和应用进程。     

统计学在人工智能发展中的作用及其应用展望

在人工智能迅猛发展的时代,统计学作为数据科学的基础,对人工智能的发展起着不可忽视的关键作用。旨在深入探讨统计学在人工智能领域中的具体应用和作用,强调统计学对于问题定义、数据收集、数据质量评价、因果分析以及不确定性量化等方面的关键性。通过揭示统计学在人工智能中的作用,旨在为更好地应用统计学方法解决实际问题、提高人工智能技术水平提供理论支持。不仅有助于拓展学术研究领域,更为实际应用提供了可行性的方法,具有深远的学科和应用意义。     

机器学习算法在人工智能中的应用

<正>在人工智能领域，机器学习算法无疑是核心组成部分，其本质上是统计学的应用。它是一种在分类、预测、随机分布等常见问题上，融合和借鉴统计学理论来进行数据归纳和分析，深度分析数据的内涵、数据背后蕴含的逻辑和规律，从而更加精妙地解决问题的方法。本文从人工智能与机器学习算法的内涵入手，重点对机器学习中的诸多算法进行简单的分析介绍，再举例说明回归算法、决策树、支持向量机、朴素贝叶斯、逻辑回归等常见算法。     

结构功能一体化的高性能陶瓷材料的研究与开发

从当前新材料的开发和材料科学发展向多功能、小型化、复合化、低成本制备等要求出发, 并就现有高性能陶瓷材料的基本性能和材料制备工艺上的优缺点进行了分析；简要介绍了碳化硅(SiC)陶瓷、 添加Nd的钇铝石榴子石(Nd-YAG)陶瓷、掺有稀土的氮化硅(RE-Si3N4)陶瓷等几种具有结构和功能一体化高性能陶瓷材料的优良性能,可能的应用以及目前存在的问题,特别是在基础研究和制备科学上今后应予以关注的方面。     

处理人工智能应用的高性能计算机的架构和评测

人工智能(artificial intelligence,AI)的3块基石是大数据、高性能计算、深度学习算法,大数据被称为"算料",高性能计算被称为"算力",深度学习算法被称为"算法".人工智能主要的研究领域就是算料、算力和算法.算力基础设施作为处理人工智能应用的基石,一直被各个国家给予高度重视.由于人工智能应用的飞速发展,适用于人工智能应用的新一代超级计算机不断诞生.对比了传统超级计算机和人工智能算力系统,论述了人工智能算力系统的发展和人工智能算力评估方法研究的现状.     

面向复合材料带隙预测的两段式集成学习模型构建

带隙是钙钛矿型复合氧化物材料重要的特征参数, 对材料的物理化学性质起决定性作用, 如导电性能和光电性能等. 为了寻找适合不同应用领域的钙钛矿型材料, 利用机器学习进行带隙预测是一种重要的研究手段. 构建了一个两阶段异质集成学习模型, 在第一阶段使用多种不同的基础机器学习器(回归模型)进行预测; 在第二阶段把对预测结果影响较大的描述子和基础机器学习器进行集成学习.利用该模型对 210 种钙钛矿型复合氧化物材料的带隙进行预测, 并与多种独立的机器学习算法以及不同集成策略模型的预测性能相对比, 评估了本模型的预测性能. 结果表明, 这种两段式的集成学习模型能够更好地学习到材料数据的内在关系, 并具有较好的预测效果和较强的泛化能力.