数据驱动范式下微波介质陶瓷材料及器件研究进展

机器学习等数据驱动方法能够快速发掘数据之间潜在的统计相关性,实现目标量的高效精准预测,并辅助分析数据背后的物理图像,已被广泛应用于材料性能预测和器件设计的研究之中。近年来,机器学习模型研究在微波介质陶瓷材料及器件开发中也取得了系列进展。本文介绍了机器学习方法的基本原理和过程,重点总结了微波介质陶瓷的介电常数、品质因数等关键性能的机器学习预测模型研究的最新进展,探讨了材料成分、结构、工艺等参数与微波介电性能之间的关系,并概述了机器学习方法在微波天线和滤波器的尺寸优化、失效分析等方面的应用。最后,指出了数据驱动研究在微波介质陶瓷材料及器件领域的若干发展方向。     

无监督学习探索高介电常数的ABO3型钙钛矿材料

机器学习已成为新材料研发的重要变革性手段，但材料数据样本量少、噪音高等特点为数据驱动的研发模式带来巨大挑战。本工作将无监督学习应用于挖掘高介电常数的钙钛矿材料。针对标签数据少的问题，通过聚类学习的方法不断优化迭代来缩小搜索空间，最终筛选出了BaHfO₃和BiFeO₃等20种具有高介电常数潜力的钙钛矿材料，并通过降维分析等手段从元素种类、晶体结构和容忍因子等方面展开规律分析，挖掘钙钛矿材料结构与介电常数之间的关联。该方法为解决材料性能数据标签的缺失提供了一种思路，可应用于筛选和挖掘其他新型功能材料。     

基于机器学习探索钙钛矿材料及其应用

经过大半个世纪的算法模型积累，以数据科学为基础的机器学习方法，已经可以适配多项学科的研究需求。在理论与实验积累的数据基础上，机器学习紧跟各个领域的研究潮流，推动数据密集型科学研究的发展，使其成为继“理论”、“计算”、“实验”后引领科学研究的“第四范式”。在材料科学领域，钙钛矿材料具有构成丰富、带隙可调、发展空间广阔等优势，但还未在其适用领域内达到环境友好等实用标准。因而基于机器学习探索钙钛矿材料及其应用，不仅可以加速新型钙钛矿材料的发现，而且可以探究钙钛矿材料种种优异性能与其物理化学特征之间的关联，为发展环境友好型高性能钙钛矿器件提供指导。在此总结了机器学习结合钙钛矿材料的研究优势与研究流程，综述了机器学习在钙钛矿材料性质与器件探索方面的研究进展，探讨了当下面临的研究困境和挑战，展望了未来的研究方向和发展趋势。     

面向材料领域机器学习的数据质量治理

数据驱动的机器学习凭借其准确高效的预测能力广泛应用于材料的性能预测和构效关系研究。数据决定了机器学习的上限。然而，目前材料领域的数据存在来源广、噪音大、样本少、维度高等数据质量问题，阻碍了机器学习在材料领域更广泛的应用。本文从数据品质和数据数量2个视角系统梳理并全面剖析了材料领域数据质量问题及其相关治理工作，发现数据品质与数据数量共同决定数据质量。基于此，提出了面向材料领域机器学习全过程的领域知识嵌入的数据质量治理框架。该框架定义了12种维度用于解析材料数据质量的内涵；构建了数据质量治理的生命周期模型以确保数据质量治理活动有序进行；建立了一系列数据质量治理处理模型，从领域知识与数据驱动2个方面对数据质量进行精准全面治理，为生命周期模型的具体实施提供技术支持。该框架实现了材料数据质量的综合评估与提升，为高质量数据获取提供理论指导与候选方案，加速机器学习在材料研发中的深入应用。     

基于机器学习的电化学能源电池宏微观设计

能源储存系统是电动汽车、电子设备等高新技术的重要基础。近年来基于机器学习的电池设计能够快速连结材料微观结构-材料微观性能-电池宏观性能的复杂关系，成为了热点研究。本文从能源电池的微观材料设计和宏观状态预测两方面系统性地综述了电池设计中机器学习的应用现状和前景，概括综述了机器学习电池设计的研究数据来源、算法的优缺点及其在电池领域的应用场景以及近年来的相关创新性工作及其展望，以期为机器学习在能源储存系统的宏微观设计提供了参考。     

机器学习在热电材料领域中的应用

热电材料是环境友好型能源转换材料，涉及的体系十分多样。其性能优化是一个多参数协调的复杂问题，一直是研究者们关注的热点。虽然热电的计算模拟方法和实验方法发展迅速，但是热电材料的搜索效率仍需要进一步提高。机器学习具有计算成本低和预测速度高的优势，可以快速缩小搜索空间，加快对热电材料结构和性能优化的研究。本综述从数据类型的角度出发，介绍了热电材料中的小样本数值数据(数据量约为102)，大样本数值数据(数据量大于104)及图片数据中机器学习的应用和研究进展，进一步详细地讨论了在不同的数据类型中研究热电材料的结构和性能所使用的不同的机器学习算法模型，并对其未来的发展趋势和应用方向进行了展望。     

主动学习辅助材料研发进展

材料研发面临着巨大、复杂、高维的搜索空间，如何从中快速有效选择具有目标性能的新材料是加速材料研发的主要挑战。机器学习可以基于已有的数据，通过算法建立特征和目标性能之间的映射关系，对未探索材料的性能进行预测。但是材料的已知数据比较少，建立的机器学习模型通常预测精度低，难以实现对实验或计算的有效指导。为了解决上述问题，引入主动学习的方法，在传统迭代反馈的基础上，增加了实验设计的步骤，选择对目标提升最有帮助、带有更大信息量的实验进行补充，达到更快的优化材料性能的目的。主要从单目标优化、多目标优化、曲线优化3个方面，回顾了主动学习辅助材料研发的进展。     

机器学习在聚合物材料研究中的应用进展

在大数据和人工智能相结合的现代科学研究的新形势下，聚合物材料性能的快速预测和新型聚合物材料的研发逐渐成为聚合物材料研究领域的关注焦点。将机器学习应用于聚合物材料研究领域，打破了传统试错法的局限性，通过数据直接建立材料特征与所需性能之间复杂的关系模型，解决聚合物组成成分和复杂结构等在其研究过程中带来的难题。论文介绍了机器学习在聚合物材料研究领域的常用方法及算法；总结了以宏观参量与微观参量为机器学习模型输入时，聚合物材料性能预测的研究进展；分析了基于机器学习的聚合物材料设计和新型聚合物材料研发的重要应用成果；讨论并提出当前基于机器学习的聚合物材料的研究热点与方向。     

通过机器学习设计新型超导材料

在常压下寻找新型高温超导材料是物理和材料领域共同关注的热点问题。近年来，机器学习技术和大数据成功地解决了材料特性与复杂物理因素之间关系建模的难题，在新型材料的优化设计中获得了重要应用。然而利用机器学习在材料数据库中寻找常规Bardeen-Cooper-Schrieffer (BCS)超导材料，存在可用数据量少的问题，导致设计出的超导材料种类少，结构构型单一。结合BCS超导理论和半监督学习方法，发展了神经网络模型预测BCS超导体。通过充分利用材料数据库中大量的无标签数据，即未知超导温度但已知电子结构的晶体材料，使得训练出的分类模型准确性达72%。模型预测出数十种可常压下存在的新型BCS超导材料，其中B-C和B-C-N体系的超导温度最高可达约60 K，高于MgB₂的39 K超导纪录。     

基于晶体图卷积神经网络的金属表面能预测框架

表面能是晶体最重要的物理化学性质之一，对于表面催化、表面吸附、外延生长、结晶形核、枝晶生长等具有十分重要的影响。快速计算和预测晶体表面能有助于加速催化、电池、合金等材料的设计和优化。本工作采用基于数据驱动的机器学习算法，构建了晶体图卷积神经网络框架并应用于金属表面能预测，实现了从晶体结构到表面能的快速准确预测。使用基于物理理论的将表面尺寸与晶体的原子以及成键特征相耦合的表面表示方法时，模型表现最佳，平均绝对误差值小于0.002eV/?2。与第一性原理计算相比，该框架计算时间缩短了约5个数量级。最后，还进一步探讨了其在硅酸盐等复杂体系的普适性和未来的拓展方向，以期为机器学习预测表面能的提供参考。