基于机器学习和第一性原理计算构建双电子转移通道加速CO2光还原(英文)

光催化还原CO₂技术可以将CO₂转化为高附加值化学品,在解决日益严重的环境污染和能源危机方面具有巨大潜力.然而,CO₂分子较高的C=O键键能(750 kJ mol^-1)为其活化和还原带来了挑战.因此,构建具有新型电子转移路径的光催化剂具有重要意义.与传统的单电子传输通道相比,层状材料的多电子传输通道在改善载流子传输能力方面具有明显的优势.然而,设计具有合适参数的多电子通道光催化剂模型仍是重要挑战.本文首先采用理论计算预测了具有双电子转移通道、参数匹配的三元异质结BiOBr-Bi-g-C₃N₄;然后,通过机器学习探讨了各种实验参数对双电子传输通道的光催化活性影响的线性规律,优化了实验参数,制备了光催化活性较高的BiOBr-Bi-g-C₃N₄催化剂;最后,结合第一性原理计算和实验表征结果揭示了其光催化机理.理论计算结果表明,BiOBr-Bi-g-C₃N₄异质结具有最佳的吉布...     

机器学习方法在高分子玻璃化研究中的应用

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.     

颜色编码液滴阵列的机器学习解码及其在多重数字化核酸分析中的应用

为了解决数字化核酸分析的通量限制问题,在三原色组合液滴编码技术基础上,本研究发展了一种基于机器学习的颜色编码液滴阵列自动化解码方法.此方法借助机器学习赋予计算机程序自动获取液滴颜色-位置-数量信息的能力,通过关联核酸扩增前后液滴颜色-位置-数量信息,快速确定每种检测靶标对应的阳性液滴比例.将这种液滴解码策略用于多重数字化核酸分析,实验结果表明,本方法快速、准确,其解码流程可在2 min内完成,液滴识别准确率＞99%.基于此液滴解码方法获得的核酸定量分析结果与商品化数字PCR仪的定量分析结果具有良好的相关性(R2＞0.99).     

数据驱动计算力学研究进展

以数字孪生、人工智能为核心的大数据理念正深刻影响着第四次工业革命,数据驱动计算力学在此背景下应运而生并展现勃勃生机.与此同时,航空航天等尖端工业领域对高性能材料与结构的先进制造与安全评估提出了更严峻的挑战,传统计算力学已很难实现成倍缩短产品研发周期、实时跟踪产品信息并提供解决方案的目标.因此,发展面向高性能材料与结构的数据驱动计算力学正当其时且刻不容缓.本文拟通过梳理数据驱动计算力学的部分研究现状,探讨数据驱动计算力学的发展趋势.     

基于条件生成式对抗网络的油藏单井产量预测模型

为克服机器学习方法在油藏单井产量预测中的过拟合问题,提高油田生产中的产量预测精度,提出一种基于条件生成式对抗网络(CGAN)的油藏单井产量预测模型。该模型使用长短期记忆、全连接等基础神经网络,构建生成和判别网络模型。生成网络模型以产量影响因素为条件输入,生成预测产量数据,利用对数损失函数评价预测数据与真实数据之间的偏差,通过条件生成式对抗网络的博弈训练,并结合贝叶斯超参数优化算法,优化模型结构,综合提高模型的泛化能力。基于Eclipse数值模拟软件建立同一井网条件下不同地质和生产条件下的油藏单井产量数据库,以地质与生产条件等产量影响因素作为模型的条件输入,进行油藏单井产量预测。结果表明：与全连接神经网络(FCNN)、随机森林(RF)以及长短期记忆神经网络(LSTM)模型的预测结果相比,CGAN模型在测试集上的平均绝对百分比误差分别提升了2.59%、 0.81%以及1.72%,并且过拟合比最小(1.027)。说明CGAN降低了机器学习产量预测模型的过拟合程度,提高了模型的泛化能力与预测精度,验证了所提算法的优越性,对指导油田高效开发和保障我国能源战略安全具有重要意义。     

融合数据与机理的燃煤发电机组协调系统建模

为掌握灵活运行条件下燃煤发电机组动态特性,通过融合传统机理建模与数据建模方法,建立了亚临界机组协调系统模型.模型基础构架通过机理分析构建,针对宽负荷下机理模型中部分环节非线性程度高、建模难度大,采用极限学习机进行辅助建模.以某660 MW亚临界机组为例,利用稳态运行数据数据训练获得了基于极限学习机的燃料系数、汽轮机系数...     

温稠密物质模拟的第一性原理方法进展

温稠密物质(Warm Dense Matter, WDM)是介于凝聚态物质和等离子体之间的一种过渡状态的物质,也是行星物理、实验室天体物理和惯性约束聚变等高能量密度物理领域的前沿科研方向。温稠密物质的量子效应显著,具有部分电离、强耦合、电子简并和热效应等重要的物理性质,因此需要采用量子力学的基础理论来描述。近年来,基于量子力学的第一性原理计算模拟方法发展迅速,逐渐成为了深入理解温稠密物质性质的有效工具。一方面,直接将凝聚态物理和材料科学中广泛适用的第一性原理方法应用于温稠密物质面临着巨大的挑战,特别是在宽温区和极端高压等极端条件下,需要不断改进现有的第一性原理算法和软件。另一方面,基于机器学习的分子动力学方法发展迅速,也给温稠密物质模拟带来了新的工具。在这篇综述中,我们首先回顾了适用于温稠密物质模拟的传统第一性原理方法,包括Kohn-Sham密度泛函理论方法和无轨道密度泛函理论方法。其次,我们介绍了近年来发展的新方法和软件,例如改进的第一性原理方法和随机密度泛函理论方法,后者已在国产开源密度泛函理论软件原子算筹(ABACUS)中实现。以上新方法可以显著提升温稠密物质的计算规模和效率,从而提升温稠密物质的结构、动力学和输运系数等性质的计算精度。