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

科学家的主要作用是从数据中提取基础知识。材料科学中机器学习的目标是通过自动识别关键数据之间的关系来获得科学知识的深入理解，从而加速基础科学研究。但如何自动识别关键数据之间的关系尚需深入研究。

来自美国加州理工学院的JohnM.Gregoire领导的团队证明，通过分析训练的神经网络模型本身，可以加速上述知识获取过程。以BiVO4基光阳极为例，他们使用训练的卷积神经网络预测了该体系的光电化学性能。他们利用高通量实验获得的个光阳极样品的组成和拉曼光谱来训练神经网络模型。该模型的梯度能有效地可视化材料参数空间中特定区域的数据规律，以及整个数据集的数据规律。梯度自动分析为材料研究提供了指导，包括如何超越现有数据集的限制，以进一步提高材料性能。这种解释机器学习模型的方法加速了人们对材料科学的认识，并揭示了科学发现的自动化途径。

该文近期发表于npjComputationalMaterials5:34()，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。

Analyzingmachinelearningmodelstoaccelerategenerationoffundamentalmaterialsinsights

MitsutaroUmehara,HelgeS.Stein,DanGuevarra,PaulF.Newhouse,DavidA.BoydJohnM.Gregoire

Machinelearningformaterialsscienceenvisionstheaccelerationofbasicscienceresearchthroughautomatedidentificationofkeydatarelationshipstoaugmenthumaninterpretationandgainscientificunderstanding.Aprimaryroleofscientistsisextractionoffundamentalknowledgefromdata,andwedemonstratethatthisextractioncanbeacceleratedusingneuralnetworksviaanalysisofthetraineddatamodelitselfratherthanitsapplicationasapredictiontool.Convolutionalneuralnetworksexcelatmodeling

转载请注明:http://www.aideyishus.com/lkzp/1116.html