Ai赋能材料
论文简介
人工智能，尤其是机器学习(ML)和深度学习(DL)算法，正成为材料和机械工程领域的重要工具，因为它在预测材料性能、设计全新材料和发现超越直觉的新机制方面具有强大的能力。随着新材料结构复杂性的上升，材料设计问题的力学性能优化可能涉及大量的设计空间，这是传统方法难以解决的。为了应对这一挑战，ML模型从大型材料数据集中训练而来，这些数据集在多个层次上关联结构、属性和功能，为快速探索设计空间提供了新的途径。基于ML的材料设计方法的性能依赖于收集或生成一个大数据集，该数据集使用基于化学和物理概念的材料科学领域知识进行适当的预处理，并对应用的ML模型进行适当的选择。近年来ML技术的突破不仅为克服长期存在的力学问题，也为开发前所未有的材料设计策略创造了巨大的机会。在这篇综述中，KaiGuo团队首先简要介绍了目前最先进的ML模型、算法和结构。然后，讨论了数据采集、生成和预处理的重要性。本文总结了基于ML的方法在力学性能预测、材料设计和计算方法中的应用，并展望了这一新兴和令人兴奋的领域的机遇和开放的挑战。
图文导读
图1.使用ML设计机械材料的典型工作流程的原理图
考虑到材料问题，研究人员将他们的领域知识编码到从文献、现有数据库、高通量实验和模拟中收集或生成的数据的预处理中，所选的ML模型能够预测机械行为和/或在训练后提供感兴趣的机械材料的新颖设计。
图2.简要概述ML方法，包括三大类，即监督学习、无监督学习和强化学习
监督学习通常采用线性回归(LIR)、支持向量回归(SVR)、前馈神经网络(FFNNs)、多层感知器(MLP)、卷积神经网络(CNNs)和循环神经网络(RNNs)等ML方法。典型的无监督学习方法包括k-means聚类、自动编码器和生成式对抗网络(GANs)。强化学习遵循代理和环境之间的一般交互循环。监督学习和无监督学习的区别取决于训练数据是有标记的还是无标记的，两者之间有一类任务叫做半监督学习，在训练过程中结合了有标记的和无标记的数据(通常是无标记的)。值得指出的是，前面提到的一些ML方法并不仅仅局限于图中所示的任务。例如，图神经网络(GNNs)已被广泛用于半监督学习任务，但它们也适用于涉及图表示的监督和非监督学习任务。
图3.利用卷积神经网络预测高对比度复合材料的弹性行为
(a)一个微尺度体积单元实例，(b)有限元模型和统计模型的应变场预测比较。(c)三个示例的组成结构(上)和空间统计(下)生成的微观结构体积元，(d)应用的3-DCNN结构示意图，(e)选择三个学习过的过滤器，帮助区分类似于(c)中的三个示例的微观结构。
图4.基于微观结构细节的深度学习方法预测动态断裂
(a)裂缝形态预测工作流程。(b)分子模拟与ML方法的裂纹路径、长度和能量释放的比较。(c)双晶和梯度材料裂纹模式的预测。
图5.使用循环神经网络历史学习相关的可塑性
(a)采样时间变形路径示意图。(b)生成的数据库中具有分布式圆形填充的变形异质代表体元(RVE)。(c)比较两种不同RVE在不同加载条件下(CC-BY许可)由递归神经网络预测的结果和由FEM分析计算的结果
图6.ML基镶嵌复合材料的最佳强度和断裂韧性设计
材料的二维结构可以表示为像素图像，作为输入输入到图像处理模型，如CNN和GAN。这些模型可以显著扩大优化设计的探索空间，并通过在工作流中整合适当的优化算法，进一步加快设计过程。例如，Gu等人利用CNN设计了强度和断裂韧性最佳的镶嵌复合材料。
图7.ANN的示意图
利用先进的ML技术的优势通常为机械材料的设计提供了新的途径。贝叶斯机器学习是一种强大的处理噪声数据的方法，可以量化模型预测的不确定性，这对设计通常对制造缺陷敏感的超材料特别有用。Bessa等人证明，在贝叶斯机器学习方法的帮助下，可以找到由脆性聚合物基材料制成的超压缩和可回收超材料的数据驱动设计。
图8.由有向图表示和递归神经网络驱动的多孔力学问题的多尺度多物理框架
图9.一种用于识别和表征各种材料系统的三维样品的微观结构的无监督方法
Chan等人报告了一种无监督方法，该方法结合了拓扑分类、图像处理和聚类算法等技术，以迅速识别和表征微观结构，包括多晶固体中的颗粒、多孔材料中的空洞和复杂溶液中的胶束分布。
作者信息
参考引用：
GuoK,YangZ,YuCH,etal.ArtificialIntelligenceandMachineLearninginDesignofMechanicalMaterials[J].MaterialsHorizons,.
原文链接：