共查询到20条相似文献,搜索用时 31 毫秒
1.
新材料产业是许多相关领域技术变革的基础,也是新能源、航空航天、电子信息等高新技术产业发展的先导.传统研发手段由于成本高、效率低、商业化周期长等不利因素无法满足现代社会的发展需求.近年来大数据与人工智能不断深入结合,以数据驱动为核心的机器学习在新材料设计、筛选以及性能预测等方面取得巨大进展,极大促进了新材料的研发与应用.本综述总结了机器学习的基本过程及其在材料科学中常用的算法和相关材料数据库,重点介绍了机器学习在不同功能上的应用以及在催化剂材料、锂离子电池、半导体材料和合金材料等领域的性能预测和材料开发中的最新进展,并对其下一步在新材料应用方面提出展望. 相似文献
2.
3.
氧化还原电位和酸度常数作为重要的物理化学性质被应用于分析能源材料重要指标值。为了实现能源材料的计算设计,发展计算电化学的方法,在复杂电化学环境下计算这些性质至关重要。近年来,利用计算电化学方法计算氧化还原电位和酸度常数已经受到了广泛的关注。然而,常用的计算方法如基于隐式溶剂化模型的小分子自由能计算,对于复杂溶剂化环境的处理非常有限。因此,基于第一性原理分子动力学(AIMD)的自由能计算被引入来描述复杂溶剂化环境中的溶质-溶剂相互作用。同时,基于AIMD的自由能计算方法已经被证实可以准确预测这些物理化学性质。然而,由于AIMD计算效率低且计算资源需求大,需要引入机器学习分子动力学(MLMD)加速计算。MLMD通过机器学习方法,构建模拟体系结构到第一性原理计算结果的一对一映射,可以在低成本下实现长时间尺度的AIMD。对于氧化还原电位和酸度常数计算,如何构建训练机器学习势函数模型所需的数据集至关重要。本文介绍了如何通过自动化工作流实现自由能计算势函数的自动化构建,通过机器学习分子动力学计算自由能并转化为对应的物理化学性质。 相似文献
4.
近年来,若干作者根据几种粒子间函数,对ZnCl2熔盐结构做过分子动力学模拟[1-3]其出的Zn-Cl和Cl-Cl离子间的偏径向分布函数与中子衍射实测值符合较好,但Zn-Zn离子间距以及Zn-Zn间配位数计算值多偏高.鉴于Busing势函数在多价卤化物馆盐的分子动力学计算中应用效果较好[4],我们试用Busing势函数为基础对ZnCl2熔盐结构和能量做分子动力学计算.1研究方法计算所用粒子势为Busing势函数此处,Zi为离子的电行数(ZZn。+=2,Zcl-=1),几;是离子有效半径,人为*离子的“硬度”参数·据文献问,f二0.005071,尸zn。十二0.… 相似文献
5.
高分子玻璃的物理性质与其结构和动力学密切相关.揭示高分子玻璃化的微观物理图像对高分子玻璃材料的结构调控和分子设计至关重要.然而,高分子的长链结构和复杂单体结构特征致使目前仍然缺乏普适的理论或者模型来定量解释高分子玻璃化的物理机制.因此,亟需发展更为先进的研究方法从而更深入地理解高分子玻璃化.近年来,国内外学者利用基于数据驱动的信息学方法(例如机器学习)对高分子玻璃化开展了研究,并取得了丰富成果.本综述首先介绍了常用的高分子信息学数据库和机器学习算法.之后,从高分子玻璃化转变温度的预测、新型高分子玻璃材料的研发、过冷液体的结构-动力学关系和玻璃体系相变的确定四个方面总结和评述了机器学习应用在玻璃化研究中的代表性进展.最后,探讨了机器学习方法在高分子玻璃化研究中面临的主要挑战,并对玻璃信息学这一领域的发展进行了展望. 相似文献
6.
高性能大规模分子动力学的前沿进展——近35年生物体系的分子动力学模拟研究回顾 总被引:1,自引:0,他引:1
对近35年来数值模拟方法,特别是经典分子动力学方法和相关的优先采样技术在生物体系研究中的应用作了回顾.由于生物体系研究对象的特点是体系空间尺度大且细胞机制时间跨度长,因此所涉及的结构生物学和生物物理学方面的研究构成了分子动力学模拟的最大挑战.从生物学的角度对分子动力学的基本理论、算法发展以及在生物体系中的应用进行综述,重点阐释在生理活动相关的时间尺度上生物体系的模拟是如何逐步发展的.另一方面,回顾了生物模拟体系在空间和时间尺度上得益于计算机硬件和算法的飞速发展而急速扩张的历程.最后,基于最近生物体系分子动力学模拟领域的尖端研究成果,对该领域未来发展的趋势进行了思考和展望. 相似文献
7.
8.
随着大数据和人工智能的发展以及机器学习(ML)与化学学科领域的交叉,ML技术与电池领域的结合激发了更有前途的电池开发方法,尤其在电池材料设计、性能预测、结构优化等方面的应用愈加广泛。应用ML可以有效地加速电池材料的筛选进程并预测锂电池(LBs)的性能,从而推动LBs的发展。本文简要介绍了ML的基本思想及其在LBs领域中几种重要的ML算法,之后讨论了传统模拟计算方法与ML方法各自的误差表现及分析,借此来提高LBs专家对ML方法的理解。其次,重点介绍了ML在电池材料实际开发中的应用,包括正极材料、电解质、材料多尺度模拟及高通量实验(HTE)等方面,借此介绍ML方法在电池领域应用的思想和手段。最后,总结了ML方法在锂电池领域中的研究现状并展望了其应用前景。本综述旨在阐明ML在LBs开发中的应用,并为先进LBs的研究提供借鉴。 相似文献
9.
10.
近年来, 在体系间弱相互作用势函数的研究领域中, 理论及实验两个方面都取得很大的进展. 对于闭壳层体系间相互作用(中性原子与分子的相互作用)研究得比较清楚[1,2]. 然而, 开壳层与闭壳层体系的相互作用, 特别是中性原子与离子的研究成为当前的一个重要研究方向. 相似文献
11.
12.
13.
乏燃料后处理是未来先进核燃料循环体系的中心环节, 基于高温熔盐电解的干法后处理技术具有一定优势. 该技术通常在高温氯化物熔盐体系中进行, 采用电化学技术回收锕系元素, 并实现其与镧系元素的电解分离. 其中铀的分离回收是研究的重点之一. 为更好实现铀在熔盐中的分离与回收, 需要深入理解铀的电化学性质与其在熔盐中的配位化学性质的联系. 因此, 开展铀在氯盐体系中的化学种态研究至关重要. 本Review对国际上氯化物熔盐体系中针对铀化学种态的研究进展进行了总结归纳和提炼, 并对未来锕系元素在高温熔盐介质中的化学种态研究进行了展望. 相似文献
14.
石英玻璃高温分子动力学模拟中的势函数 总被引:1,自引:0,他引:1
根据石英玻璃高温下的分子动力学研究, 分析了势函数中多体势在高温应用下的局限性, 认为离子型对势在模拟石英玻璃高温结构方面优于多体势. 在原子电荷转移方面, 计算并分析了Si和O原子电荷大小对计算原子自扩散系数的影响, 发现用原子电荷转移较少的Morse势函数计算的原子自扩散激活温度比BKS势函数计算的低, 而且在同一温度下, 自扩散系数的计算值也随着原子电荷的减小而增大, 因此, 较小的原子电荷转移应该有利于石英玻璃在高温下的动力学性能的研究. 相似文献
15.
人工智能助力当代化学研究 总被引:1,自引:0,他引:1
以机器学习为代表的人工智能在当代的科学研究中正在发挥越来越重要的作用.不同于传统的计算机程序,机器学习人工智能可以通过对大量数据的反复分析和自身模型的优化,即“学习”过程,从而在大量的数据中寻找客观事物的相互联系,形成具有更好预测和决策能力的新模型,做出合理的判断.化学研究的特点恰恰是机器学习人工智能的强项.化学研究经常要面对十分复杂的物质体系和实验过程,从而很难通过化学物理原理进行精准的分析和判断.人工智能可以挖掘化学实验中产生的海量实验数据的相关性,帮助化学家做出合理分析预测,大大加速化学研发过程.本文介绍了当代人工智能方法及用其解决化学问题基本原理,并通过具体案例展示了人工智能辅助解决不同化学研发问题的方法以及对应的机器学习算法.将人工智能运用在化学科学的尝试正处于蓬勃上升期,人工智能已经初步展示出对化学研究的强大助力,希望本文能帮助更多的国内的化学工作者了解和运用这一有力的工具. 相似文献
16.
材料基因组旨在将计算工具、数据库和实验工具有机结合,缩短研发时间,提高材料研发效率.高分子材料因其结构独特性和复杂性阻碍了材料基因组在高分子材料领域的发展.目前,国内外学者在高通量筛选高分子化学结构策略和构建性能预测方法等方面开展了尝试,并取得了一些成果.本文总结和评述了当前利用代理量方法和机器学习预测模型实现高分子材料基因组的进展,利用可计算的量代理宏观性能的代理量法和利用机器学习模型预测材料性能的方法在一定程度上克服了高分子复杂性的影响.在此基础上,系统地介绍了数据挖掘或模型构建的方法以及运用这些模型筛选不同类型高分子的思路,着重探讨了方法构建和材料筛选背后的思想以及对各类问题的解决措施.最后,探讨了当前高分子材料基因组发展中所面临的主要挑战,并展望了高分子材料基因组的未来发展方向. 相似文献
17.
由低维纳米材料组成的表面体系在电催化、磁学、储能、传感等领域得到广泛研究和应用.增强红外吸收与异常红外效应是其特殊的红外光学性能.作者综述了近年来他们在研究低维纳米材料的特殊红外光学性能方面的主要进展,包括系统研制和构筑各种具有特殊红外性能的低维纳米材料和纳米结构表面体系,发展表面组合电化学研究方法等.研究工作对揭示低维纳米材料的结构与性能之间的本质关系,发展相关的基础和理论具有重要意义. 相似文献
18.
19.
20.
金属有机框架(Metal-organic framework ,MOF)因其高孔隙率、高比表面积和结构可调性,在气体吸附分离领域广泛应用。随着MOF数量激增,传统分子模拟和实验方法验证MOF性能成本高且速度慢,因此目前MOF筛选工作已转向高通量计算辅助的机器学习(Machine-learning,ML)。机器学习作为一种高效的大数据处理方法,能够在高通量筛选(High-Throughput Computational Screening,HTCS)的基础上对数据进行拟合,从而快速而准确地筛选出气体吸附分离材料,并深入挖掘其结构与性能之间的关系。本文回顾了近年机器学习应用于MOF筛选的研究。本文重点讨论了一些运用机器学习从大量结构中筛选出可用于CH4、H2和CO2等气体吸附分离与储存的MOF材料的工作。同时,我们梳理了当前MOF材料筛选工作中的研究思路和进展,并指出了机器学习在筛选MOF材料工作中面临的一些瓶颈和挑战。最后,对该领域的未来发展前景进行了展望。 相似文献