XiaoMi-AI文件搜索系统
World File Search SystemSchleder
层状硅酸盐是地球上储量丰富的层状材料……
Ingrid D. Barcelos 1*、Raphael Longuinhos 5、Gabriel R. Schleder 3、Matheus J. S. Matos 4、Raphael Longuinhos 5、Jenaina Ribeiro-Soares 5、Ana Paula M. Barboza 4、Mariana C. Prado 4、Elisângela S. Pinto 6、Yara Galvão Gobato 7、Hélio Chacham 2、Bernardo R. A. Neves 2、Alisson R. Cadore 3*
追踪人工智能和机器学习的演变......
引言 材料的发现和生产过程在从电子和能源到医疗保健和航空航天等众多行业中发挥着关键作用 (Freer & Powell, 2020)。这些过程对于开发创新产品、技术和解决方案至关重要，这些产品、技术和解决方案推动着进步并塑造着现代世界。寻找具有特定属性的新型材料并优化生产方法历来是一项复杂而耗时的工作，而且常常受到传统方法的阻碍。然而，随着人工智能 (AI) 和机器学习 (ML) 的出现，这些挑战正在被克服，从而导致材料科学开展方式发生范式转变 (Schleder、Padilha、Acosta、Costa & Fazzio, 2019)。传统的材料发现和生产方法严重依赖于经验实验和反复试验的方法。研究人员将花费大量时间和资源合成和测试各种材料，以确定具有所需特性的材料（Cai, Chu, Xu, Li, & Wei，2020；Juan, Dai, Yang, & Zhang，2021；Lv et al.，2022）。这个过程虽然必不可少，但往往会导致效率低下、成本高昂和开发时间延长。此外，材料空间广阔且其特性相互作用错综复杂，因此很难使用传统方法探索所有可能的组合（Fahlman，2023）。传统方法的主要挑战之一在于它们依赖于人类的直觉和领域专业知识。虽然研究人员拥有宝贵的见解，但材料行为的复杂性以及成分、结构和特性之间的错综复杂的关系往往超出人类的理解范围。这种限制阻碍了突破性材料的发现，并限制了依赖材料进步的行业的创新步伐。此外，传统的材料发现方法资源密集且对环境造成负担（Janicke & Jacob，2013）。材料的合成、测试和反复改进会消耗大量能源并产生废物，从而引起环境问题。此外，无法预测性地优化生产流程导致材料质量低下和不稳定，影响整个行业的可持续性。本文旨在探讨人工智能和机器学习如何彻底改变材料发现和生产过程。人工智能和机器学习有可能通过利用计算能力和数据驱动技术彻底改变材料的开发、优化和利用。这些技术使研究人员能够使用数据和计算模型做出明智的决策和预测，从而加快创新步伐。人工智能和机器学习在材料科学中的应用解决了传统方法带来的许多局限性。通过分析大量数据并识别模式，
201.pdf - GuanHua Chen Group
[1] A. Saeki, K. Kranthiraja, Jpn. J. Appl. Phys. 2019 , 59 , SD0801。[2] L. Paterson, F. May, D. Andrienko, J. Appl. Phys. 2020 , 128 , 160901。[3] G. Hong, X. Gan, C. Leonhardt, Z. Zhang, J. Seibert, JM Busch, S. Bräse, Adv. Mater. 2021 , 33 , 2005630。[4] G. Li, Y. She, 用于高效稳定有机发光二极管的四齿环金属化铂(II)配合物, IntechOpen, London 2018。[5] K. Li, GSM Tong, Q. Wan, G. Cheng, W.-Y.童，W.-H。 Ang，W.-L。邝，C.-M。切，化学。科学。 2016, 7, 1653. [6] H. Li, T.-L. Lam, X. Tan, L. Dai, C.-M. Che, SID Symp Digest Techn Pap 2021, 52, 328。 [7] J. Sun, H. Ahn, S. Kang, S.-B. Ko，D. Song，HA Um，S. Kim，Y. Lee，P. Jeon，S.-H。 Hwang, Y. You, C. Chu, S. Kim, Nat。光子。 2022, 16, 212. [8] H. Li, T.-L.林丽欣、戴丽、蔡碧生、Y.-S。 Cho, Y. Kwak, C.-M. Che, 四齿铂 (II) 发射体：设计策略、光物理和 OLED 应用, IntechOpen, 伦敦 2020。[9] J.-L. Calais, Int. J. Quantum Chem. 1993, 47, 101。[10] M. Marques、A. Rubio、EK Gross、K. Burke、F. Nogueira、CA Ullrich, 时间相关密度泛函理论, Springer Science & Business Media, Dordrecht 2006。[11] S. DiLuzio、V. Mdluli、TU Connell、J. Lewis、V. VanBenschoten、S. Bernhard, J. Am. Chem. Soc. 2021, 143, 1179. [12] 孙建, 吴建, 宋涛, 胡丽, 单桂, 陈国, 物理学报.化学。 A 2014, 118, 9120。 [13] JA Keith、V. Vassilev-Galindo、B. Cheng、S. Chmiela、M. Gastegger、K.-R。 Müller，A. Tkatchenko，化学。 Rev. 2021, 121, 9816. [14] L. Hu, X. Wang, L. Wong, G. Chen, J. Chem。物理。 2003, 119, 11501. [15] M. Quir os, S. Gra ˇ zulis, S. Girdzijauskait ė, A. Merkys, A. Vaitkus, J. Cheminform 2018, 10, 23. [16] GR Schleder, ACM Padilha, CM Acosta, M. Costa, A.法齐奥，J.物理学。马特。 2019 , 2 , 032001。 [17] R. Gomez-Bombarelli, J. Aguilera-Iparraguirre, TD Hirzel, D. Duvenaud, D. Maclaurin, MA Blood-Forsythe, HS Chae, M. Einzinger, D.-G. Ha, T. Wu, G. Markopoulos, S. Jeon, H. Kang, H. Miyazaki, M. Numata, S. Kim, W. Huang, SI Hong, M. Baldo, RP Adams, A. Aspuru-Guzik, Nat Mater 2016, 15, 1120。 [18] MAB Janai, KL Woon, CS Chan, Org。电子。 2018 , 63 , 257. [19] Y. 赵, C. Fu, L. Fu, Y. Liu, Z. Lu, X. Pu, Mater Today Chem 2021 , 22 , 100625. [20] L. Breiman, Mach Learn 2001 , 45 , 5. [21] I. Palit, CK Reddy, IEEE Trans. 2021 , 22 , 100625.知道。数据工程2012 , 24 , 1904. [22] G. Ke, Q. Meng, T. Finley, T. Wang, W. Chen, W. Ma, Q. Ye, 神经信息处理系统的发展 (编辑：T.-Y. Liu), Curran Associates, New York 2017。[23] T. Chen, C. Guestrin, 在第 22 届 ACM SIGKDD 国际知识发现和数据挖掘会议论文集, 计算机协会, 纽约, NY 2016, 第 785 页。[24] DH Wolpert, Neural Netw 1992 , 5 , 241。[25] K. Li, G. Cheng, C. Ma, X. Guan, W.-M. Kwok, Y. Chen, W. Lu, C.-M. Che, Chem. Sci. 2013，4，2630。[26]RW肯纳德，LA斯通，技术计量学 1969，11，137。