机器学习（ML）在材料领域应用

机器学习作为一种兼顾开发效率以及开发成本的方法，已经逐渐应用于材料发现、结构分析、性质预测、反向设计等多个领域，并且在材料学研究中展现出惊人的潜力。传统的发现新材料的方法，如经验试错法和基于密度泛函理论(DFT)的方法，往往需要较长的研发周期，成本高、效率低，已经不能很好的适应如今需求量激增的材料学领域机器学习因其强大的数据处理能力和相对较低的研究门槛，能够有效地降低工业开发中的人力物力成本，缩短研发周期。代替或配合传统的实验以及计算模拟，能够更加快速且准确的分析材料结构、预测材料性质，从而更加有效的开发新的功能材料机器学习因其强大的数据处理能力和相对较低的研究门槛，能够有效地降低工业开发中的人力物力成本，缩短研发周期。代替或配合传统的实验以及计算模拟，能够更加快速且准确的分析材料结构、预测材料性质，从而更加有效的开发新的功能材料。机器学习已在光伏材料设计、纳米材料设计、医药设计、量子化学等诸多领域取得令人瞩目的成果，是未来材料学研究与发展的一个重要方向。在材料科学中，机器学习在新材料发现和材料特性预测等领域至关重要。例如，在预测玻璃化转变温度Tg的实验中，很难找到一个公式，可以精确地描述Tg与刚性，链迁移率，平均分子极化率和净电荷的四个相关因素之间的关系。但是，可以使用机器学习方法基于给定样本对条件因子与决策属性之间的关系进行建模。这是机器学习发挥作用的地方，也是“核心”算法所在的地方。通过机器学习获得的知识以易于使用的格式存储，进而可以用于材料发现和设计。