Redian新闻
>
Npj Comput. Mater.: 与材料科学的碰撞:深度学习的近况

Npj Comput. Mater.: 与材料科学的碰撞:深度学习的近况

科学
海归学者发起的公益学术平台
分享信息,整合资源
交流学术,偶尔风月

被视为材料科学与工程的四大关键要素“加工-结构-特征-性能(Processing-structure-property-performance)”很大程度上受物质结构或现象的空间或时间尺度影响。例如,结构信息的范围可以涵盖详细的原子坐标、物质相在微尺度的空间分布(微观结构)、碎片连通性(中尺度)、以及各种图像和图谱。这导致材料科学研究高度复杂,在各部分之间建立联系是一项具有挑战性的任务。近年来,由于实验设备自动化的快速发展以及超级计算机的进步,可公开获取的材料数据的规模呈指数级增长。这种爆发式增长的数据亟需自动化的数据处理技术,深度学习(DL)技术恰好可以帮我们解决这个问题。由于近些年材料科学的DL技术发展迅速,我们急需一个综述来梳理该领域的最近研究。


来自美国国家标准与技术研究院的Kamal Choudhary团队讨论了DL方法中的基本原理,重点介绍了DL应用于材料科学的最新进展中的主要趋势,并且提供了一个可更新的公开github库以囊括最新的DL工具及数据库。该综述不仅高度概括了深度学习方法,还简要介绍了DL领域一些重要方法的基本概念,列举了很多DL在材料科学领域的最新应用进展,总结了DL的局限性和现阶段面临的挑战。这项综述工作对深度学习技术及材料科学的发展具有重要的参考价值与指导意义。

该文近期发表于npj Computational Materials 8:59 (2022)英文标题与摘要如下,点击左下角“阅读原文”可以自由获取论文PDF。

Recent advances and applications of deep learning methods in materials science

Kamal Choudhary, Brian DeCost, Chi Chen, Anubhav Jain, Francesca Tavazza, Ryan Cohn, Cheol Woo Park, Alok Choudhary, Ankit Agrawal, Simon J. L. Billinge, Elizabeth Holm, Shyue Ping Ong & Chris Wolverton

Deep learning (DL) is one of the fastest-growing topics in materials data science, with rapidly emerging applications spanning atomistic, image-based, spectral, and textual data modalities. DL allows analysis of unstructured data and automated identification of features. The recent development of large materials databases has fueled the application of DL methods in atomistic prediction in particular. In contrast, advances in image and spectral data have largely leveraged synthetic data enabled by high-quality forward models as well as by generative unsupervised DL methods. In this article, we present a high-level overview of deep learning methods followed by a detailed discussion of recent developments of deep learning in atomistic simulation, materials imaging, spectral analysis, and natural language processing. For each modality we discuss applications involving both theoretical and experimental data, typical modeling approaches with their strengths and limitations, and relevant publicly available software and datasets. We conclude the review with a discussion of recent cross-cutting work related to uncertainty quantification in this field and a brief perspective on limitations, challenges, and potential growth areas for DL methods in materials science.


扩展阅读

 
Npj Comput. Mater.: 二维材料量子点缺陷—建了数据库
Npj Comput. Mater.: 超晶格内层中的铁磁性,你测到过吗?
Npj Comput. Mater.: 高温合金—反向晶界能计算
Npj Comput. Mater.: 金属体系微观结构—建模与仿真综述
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
Npj Comput. Mater.: 超快斯格明子的光激发:微观机制Npj Comput. Mater.: 低温晶界迁移—经典模型Npj Comput. Mater.: 极端机械性能—无边界-无目标搜索及其他Npj Comput. Mater.: 结构描述符大佬观点—不是越精确越好Npj Comput. Mater.: 材料计算精度控制的关键—跨不同程序和方法运动产生多巴胺?Npj Comput. Mater.: 自旋波太短怎么办?电磁波来帮你看!Npj Comput. Mater.: 有机-无机钙钛矿材料—降解机制Npj Comput. Mater.:高熵化合物—氧空位的元素组成调控Npj Comput. Mater.:神奇的精准控温材料—谁把热量带走了Npj Comput. Mater.: 二维材料量子点缺陷—建了数据库Npj Comput. Mater.: 金属体系微观结构—建模与仿真综述Npj Comput. Mater.: 材料预测—精确可传递Npj Comput. Mater.: 材料定律—识别与发现的新方法Npj Comput. Mater.: 高熵合金催化剂—吸附能的线性关系Npj Comput. Mater.: 小涂层大作用—铁电负电容场效应晶体管下一个“嫖娼”的会是谁?积木式深度学习的正确玩法!新加坡国立大学发布全新迁移学习范式DeRy,把知识迁移玩成活字印刷|NeurIPS 2022深度解读 | 机器学习和深度学习的区别到底是什么?大彻大悟:5个人生哲理Npj Comput. Mater.: 单线态裂变设计规则探索,机器学习来助力Does the third world benefit from the US-China confrontation?Npj Comput. Mater.: 深度学习预测多种电极材料电压Npj Comput. Mater.: 材料生长缺失数据—贝叶斯优化Npj Comput. Mater.: 通过构造(001)氧化物超晶格衍生的拓扑态Npj Comput. Mater.: 高温合金—反向晶界能计算「深度学习+」阶段来了!百度王海峰:深度学习多维度逐渐成熟,创新创造大有可为Npj Comput. Mater.: 明察秋毫、分辩入微无性婚姻,为了身份嫁给了白老头--美低端生活(十)Npj Comput. Mater.: 纳米晶三维结构重建—知识与经验Npj Comput. Mater.: 水粘度模拟—第一性原理-深度神经网络跨代际的碰撞:她一开口,台上吉他手都哭了Npj Comput. Mater.: 超晶格内层中的铁磁性,你测到过吗?Npj Comput. Mater.: 打开黑盒子—可解释的机器学习Npj Comput. Mater.: 欲探新材,先学淘宝
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。