数据驱动的铝基复合材料性能预测和逆向设计

采用数据驱动的方法对 SiCp(0.5CNT)/7075Al 铝基复合材料的化学成分以及制备工艺进行了分析, 针对抗拉强度和延伸率两个力学性能进行了特征重要性分析, 构建了包含 8 种机器学习算法的集成框架, 自动进行模型的参数调优和最优模型选择, 并在此基础上进行了材料逆向设计. 实验结果表明, 在 470 ${^\circ}$C 固溶 40 min, 120${^\circ}$C 时效 15 h 的热处理工艺下, SiCp(0.5CNT)/7075Al-1.0Mg 复合材料抗拉强度和延伸率的预测值为 617.48 MPa 和 2.98%, 实验值为 647.0 MPa 和 3.31%, 两项物理性能的平均绝对百分比误差(mean absolute percentage errors, MAPE)较小, 依次为 4.56% 和 9.97%. 这说明本数据驱动方法对铝基复合材料的工艺优化和性能提升有一定指导意义.     

La$_{{1-x}}$Sr$_{x}$TiO$_{3}$ 薄膜的高通量 X 射线衍射

高通量材料合成方法和高通量材料表征手段区别于传统低效率的 "试错法"材料发展方法, 极大地加速了材料科学的变革和发展. 通过设计程序进行了高通量 X 射线衍射实验, 在保证数据分辨率条件下, 高效地表征了 La$_{1-x}$Sr$_{x}$TiO$_{3}$ 薄膜上多个数据位点的晶体结构, 验证了其成分的连续变化性质, 为后续开展更多类型的高通量 X 射线衍射实验提供了指导.     

基于微流控液滴技术的载药缓释微球研究进展

单分散性载药缓释微球作为新型药物释放系统已成为缓释药物制剂研究的热点问题之一,但传统制备方法获得的载药微球大多存在大小不均一、粒径分布宽、载药量低、缓释效果不明显等问题,极大地限制了其应用。微流控液滴技术因其操作简单,可以控制液滴形成的过程,成为近年发展起来的制备单分散性载药微球的新方法,在制备粒径均匀、具有特殊性能等载药微球方面有极大的优势。本文从传统载药微球的制备及存在问题入手,简述微流控技术的基本原理及液滴微流控制备载药微球的基本方法与类型,体现微流控技术相比传统制备技术的优势,即可以制备得到粒径均一、大小组分可控且呈单分散性的药物可控释放微球。     

结合上下文词汇匹配和图卷积的材料数据命名实体识别

材料领域的文献中蕴含着丰富的知识, 利用机器学习和自然语言处理等手段对文献进行数据挖掘是研究热点. 命名实体识别(named entity recognition, NER)是高效利用挖掘和抽取数据中信息的首要步骤. 为了解决现有实体识别方法中存在的向量表示无法解决一词多义、模型常提取上下文特征而忽略全局特征等问题, 提出了一种基于上下文词汇匹配和图卷积命名实体识别方法. 该方法首先利用 XLNet 获取文本的上下文动态特征, 其次利用长短期记忆网络并结合文本上下文匹配词汇的图卷积神经网络(graph convolutional network, GCN)模型分别获取上下文特征与全局特征, 最终经过条件随机场输出标签序列. 2 种不同语料对模型进行验证的结果表明, 该方法在材料数据集上的精确率、召回率和 F1 值分别达到 90.05%、88.67% 和 89.36%, 可有效提升命名实体识别的准确率.     

VO2相变机制和掺杂改性的第一性原理研究进展

VO₂具有“半导体-金属”相变特性,能够随温度变化自动调节近红外光透射率和电阻,在热开关、光学传感器、信息存储器件、智能窗以及非制冷焦平面探测器等方面具有广阔的应用前景,是一种备受关注的热致变色材料。首先,通过简要介绍VO2基本物理化学性质及相变原理的实验研究现状,着重综述了基于密度泛函理论的第一性原理计算在VO2相变机制研究中的最新进展,即VO₂的相变是Peierls和Mott相变机理相耦合的结果。其次,围绕能带调控,分金属元素和非金属元素两大类,综述了第一性原理计算在VO2掺杂改性中的应用。再次,指出了当前研究中存在的争议,即不同第一性原理计算方法得到的计算结果差别很大,因此在选择计算方法的类型时需要十分谨慎。最后展望了第一性原理计算在VO2材料研究中的应用前景。     

多尺度材料计算方法

 在材料基因组科学研究中,多尺度集成材料计算占有不可或缺的地位。本文以微观-介观-宏观材料计算方法中具有代表性的第一原理、分子动力学、计算热力学/动力学及有限元方法为重点,介绍多尺度材料计算方法的基础和应用。     

我国材料基因组发展及其研究基地建设的思考与探索

 作为美国先进制造业伙伴计划的重要组成部分,2011 年6月,美国总统奥巴马宣布正式启动强化全球竞争力的"材料基因组行动计划"(MGI for Global Competitiveness),这对材料科学领域的发展具有重要而深远的影响,它第1 次清晰地将"Ma-terials by design"的材料科学之梦展现出来。"材料基因组"思想的内涵在于理性开展材料研发,突破传统材料科学研究中以大量经验积累和简单循环试错为特征的"经验寻优"方式,实现科学化的"系统寻优",革新材料科学的研究模式,促进材料科学研究的创新。虽然材料科学界对"材料基因"本身的学术定义尚存争议,但这种集成的理性研究和MGI 本身以其深刻的学术内涵引起了学术界和产业界的高度重视。     

力学信息学简介

数据在力学的发展中始终属于最基础和最重要的角色。在古典力学时代,通过对海量数据的总结归纳,科学大师们得出了以牛顿运动三大定律为代表的自然世界运行的客观规律。在当今时代,快速发展的力学实验自动化技术和高通量技术,使力学数据呈爆炸式增长,如何基于迅猛增长的数据来快速发现、发展和革新力学理论,成为一个迫切需要解决的问题。力学工作者可以借助当下快速发展的人工智能算法,直接智能地优化实验和生产工艺,或者利用诸如符号回归、稀疏回归和流形学习等机器学习方法对数据进行挖掘处理,发现并给出数据所遵循的公式形式,将数据上升为知识。这一人工智能和力学相结合的交叉学科便是“力学信息学”。基于力学信息学方法,古老的力学学科也必将迎来新的春天。     

基于强化学习的特征选择方法及材料学应用

随着大数据、人工智能以及高性能计算的快速发展, 数据驱动的新材料研发成为研究热点. 在对材料数据进行数据挖掘的过程中, 需要对特征集合进行预处理, 通过减少无关冗余特征, 不仅可以避免模型过拟合, 还能提高模型的可解释性. 基于此, 提出了一种基于强化学习的特征选择(feature selection based on reinforcement learning, FSRL) 算法, 将封装式特征选择抽象成机器学习模型和"环境"互动的过程, 并根据利益最大化准则将对应特征加入特征子集中. 同时, 为了提高模型的预测精度, 还提出一种基于符号变换的特征构造方法来生成新的特征. 最后, 将所提出方法应用到非晶合金材料的分类预测任务和铝基复合材料的回归任务中. 实验结果表明, FSRL 算法的分类准确率最高提升了 2.8%, 而在回归任务中, 基于特征构造的 FSRL 算法使得预测精度最高提升了 22.9%.