电子元件与材料论文格式标准(电子材料论文1(4)
一、人工智能如何影响材料、化学、物理等基础科研?
2016年,谷歌AlphaGo的横空出世,将世人的焦点吸引到了人工智能领域。短短两年时间,人工智能技术在商业领域获得了空前的成功。语音识别、图像识别、无人驾驶、智慧金融等领域,无一不在影响着人们的生活。
但不为大众所关注的是,人工智能技术在科研领域也掀起了巨大的“波澜”。本文以2018年Phys.org网站(物理学家组织网)和顶级期刊上的文章为基础,向大家介绍人智能在材料、化学、物理等领域如何产生作用。
(一)新材料领域
2018年7月,Keith Butler等人在《Nature》期刊上发表题为“分子和材料研究用的机器学习”的文章,对人工智能技术在材料、化学中的作用进行了综述。
文章认为,计算化学/材料学的研究流程已经更迭至第三代。第一代是“结构-性能”计算,主要利用局部优化算法从结构预测出性能;第二代为“晶体结构预测”,主要利用全局优化算法从元素组成预测出结构与性能;第三代为“统计驱动的设计”,主要利用机器学习算法从物理、化学数据预测出元素组成、结构和性能。
其中,机器学习主要分为四个步骤:一是数据搜集,包括从实验、模拟和数据库中获取;二是数据选择,包括格式优化、噪点消除和特征提取;三是机器学习方法选择,包括监督学习、半监督学习和无监督学习;四是模型选择,包括交叉验证、集成和异常检测。
在实际的新材料研发中,人工智能技术已经在文献数据获取、性能预测、测试结果分析等各环节展现出巨大优势:
2018年1月,美国加州大学和马萨诸塞大学的研究人员合作开发人工智能平台,可自动分析材料科学研究文献,并可根据文本中提及的合成温度、时间、设备名称、制备条件及目标材料等关键词进行自动分类。结果表明,该平台识别文章段落的准确度为99%,标注关键词的准确度为86%。(发表于《MRSBulletin》)
2018年6月,美国斯坦福大学的物理学家开发了一种新型的非监督人工智能程序“Atom2Vec”。该程序只用几个小时,就“重新发现”了元素周期表。Atom2Vec是非监督型人工智能,未来科学家们可以通过给它设定目标,引导其寻找新材料。(发表于《美国国家科学院学报》)
2018年9月,东京大学利用理论计算方法建立了与原子结构相匹配的光谱数据库,并利用层聚类和决策树两种机器学习方法,对光谱大数据进行解释和预测。结果表明,该方法可成功应用于复杂光谱的解释,以及材料光谱特征的预测。(发表于《Scientific Reports》)
(二)化学领域
2018年3月,上海大学Mark Waller团队在《Nature》期刊上发表题为“利用深度神经网络和符号AI规划化学合成”的文章,引发了业内的广泛关注。
研究团队首先收集了截止到2014年发表过的几乎所有的化学反应,加起来大约有1250万个反应。然后,研究团队应用深度神经网络及蒙特卡洛树算法,成功地规划了新的化学合成路线,即便是权威的合成化学专家,也无法区分这款软件与人类化学家之间的区别。
与两种传统的合成方法相比(红色和绿色),使用新型人工智能技术(蓝色)在较短时间内可以完成更多分子的合成路线预测。该研究是人工智能在化学合成领域的重大突破,Mark Waller也被媒体誉为“化学AlphaGo”的先驱。
?
“化学AlphaGo”仅是人工智能用于化学领域众多案例中的一个。近年来,人工智能、机器学习、深度学习在合成化学、药物化学等领域不断产生新应用,其热度变得越来越高,有望为化学领域带来革命性的变化。
2018年7月,英国格拉斯哥大学研究人员采用机器学习算法,开发出可预测化学反应的有机化学合成机器人。在学习了100种(10%)化学反应后,该智能机器人能够以80%的准确度预测出其他化学反应,并且还能够预测出人类未知的新型化学反应。(发表于《Nature》)
2018年7月,美国北卡罗来纳大学开发名为“结构演化的机器学习”(ReLeaSE)的人工智能系统,其包括两个神经网络,可学习170万个已知生物活性分子化学结构,并随时间推移推测出新型药物分子。(发表于《Science Advances》)
2018年7月,美国莱斯大学和宾夕法尼亚州立大学的研究人员合作,利用机器学习技术和量子化学模拟改善催化剂的设计,可大幅节约时间与成本。利用量子化学模拟,研究人员可以创建出包含各类催化剂属性的数据库;机器学习技术可快速搜索数据库中隐藏的模式,帮助研究人员设计更便宜、更高效的催化剂。(发表于《Natural Catalysis》)
文章来源:《电子元件与材料》 网址: http://www.dzyjyclzz.cn/zonghexinwen/2022/1208/985.html
上一篇:初级职称评了机电
下一篇:电子元件与材料文献标识码(电子元件与材料文