文献笔记:机器学习在材料信息学中的应用与展望
原文链接 : https://www.nature.com/articles/s41524-017-0056-5 部分由材料基因组计划推动,部分由算法发展和其他领域数据驱动努力的巨大成功推动,信息学战略开始在材料科学中形成。 这些方法导致了替代机器学习模型的出现,该模型能够完全基于过去的数据进行快速预测,而不是通过直接实验或显式求解基本方程的计算/模拟。 以数据为中心的信息学方法正变得越来越有用,可用于确定材料的属性,这些属性由于涉及成本、时间或精力而难以用传统方法测量或计算,但这些属性的可靠数据要么已经存在,要么至少可以为关键案例的子集生成。 预测通常是内插式的,首先用数字方法对材料进行指纹识别,然后在指纹和感兴趣的属性之间建立映射(通过学习算法建立)。 指纹,也称为描述符,可以是多种类型和规模,由应用程序领域和需求决定。 如果预测的不确定性得到适当的考虑,预测也可以外推到新材料空间。 本文试图概述最近十年来一些成功的数据驱动材料信息学策略,特别强调指纹或描述符的选择。 包罗万象的视角 OVERARCHING PERSPECTIVES 当遇到新情况时,认知系统(包括人类)有一种基于过去类似遭遇做出决定的自然倾向。当新情况与过去所遇到的情况明显不同时,可能会出现判断上的错误,也可能会吸取教训。这些过去的情景、所作的决定和吸取的教训的总和可以被统称为“经验”、“直觉”,甚至是“常识”