办公室娇喘的短裙老师在线视频 ,久久久av精品无码杨思敏玉蒲团,b站未满十八岁可以接广告吗

1. 華科袁燁教授EES: 深度遷移學習實時個性化預測鋰離子電池健康狀態！

機器學習頂刊匯總：EES、ACS Energy Lett.、ACS Nano、ACS Catal.、JMCA等成果

實時、個性化的鋰離子電池健康管理，有利于提升終端用戶的安全性。然而，由于不同的使用興趣、動態的操作習慣和有限的歷史數據，電池健康狀態的個性化預測仍然具有挑戰性。

在此，華中科技大學袁燁教授等人設計了一個可轉移的深度網絡，在任何感興趣的循環中使用最近30個循環的部分循環數據以實現個性化、實時的鋰離子電池健康狀態預測。為此，作者構建了一個包含77個磷酸鐵鋰（LFP）/石墨電池的實驗平臺，其循環壽命為1100~2700次。電池經過不同的多階段放電協議來近似使用變化，共獲得146122次充放電循環，這是目前已知同類數據中最大的數據集。其中，設計的深度學習模型由一個卷積模塊、一個循環模塊和兩個全連接模塊組成。此外，在遷移學習模型中設計了模型預訓練和模型遷移2個階段：（1）模型預訓練階段利用輸入特征曲線對深度學習模型進行預訓練并標記訓練電池的健康狀態；（2）模型遷移階段旨在通過輸入最近10個充放電周期（重采樣后）的特征曲線，在任何新的放電協議的任何周期實現實時的個性化健康狀態預測。

圖1. 深度遷移學習方法示意圖

結果顯示，所有充放電周期下容量估計和剩余使用壽命（RUL）預測的平均測試誤差分別為0.176%和8.72%。此外，作者還通過從另外兩個數據集（分別具有不同的充放電條件和電池化學成分）中遷移電池衰減知識來預測本數據集中測試電池的健康狀態。在另外兩個任務中，容量估計和RUL預測的平均測試誤差分別為0.328%（0.193%）和9.80%（9.9%）。這說明了深度遷移學習框架根據個性化使用模式預測健康狀況的有效性和普遍性，然而也存在一些局限性：首先，該方法未研究接近實際應用的隨機充電過程。然后，該方法需要最近30個周期來預測電池的健康狀態，但無法預測前幾個周期的健康狀態。此外，該方法非常依賴于最近循環周期中數據的質量。最后，該工作簡化了實際應用中的操作條件，數據集中不包括放電深度和功率，因此仍需要進一步研究。

圖2. 基于不同數量的稀疏輸入周期的模型預測誤差

Real-time personalized health status prediction of lithium-ion batteries using deep transfer learning, Energy & Environmental Science 2022. DOI: 10.1039/D2EE01676A

2. 加州大學胡永杰ACS Energy Lett.綜述: 機器學習在熱能利用研究中的應用

機器學習（ML）已影響了諸多基于統計視角的研究領域，并從傳統的角度揭示了未知觀點。盡管該領域仍處于早期階段，但這一進展已推動熱能利用和工程界應用此類尖端工具集來分析復雜數據、揭示深奧機制和發現非直觀原理的發展。

在此，美國加州大學洛杉磯分校胡永杰教授等人全面概述了機器學習（ML）方法在熱能利用研究的關鍵主題上的應用和未來機會。首先，作者簡要介紹了ML概念和熱能利用研究的幾種常用算法。然后，概述了ML在最先進的熱傳輸建模（DFT、分子動力學和玻爾茲曼傳輸方程）中的應用。其中，監督學習通過建立各種材料描述符和熱導率之間的關系而用于高通量熱材料篩選，無監督學習可作為微分方程求解器，有助于求解薛定諤、玻爾茲曼輸運、熱傳導、納維-斯托克斯和輻射傳輸方程等。接下來，作者還介紹了ML在不同系列材料（半導體、聚合物、合金和復合材料）、熱性能（電導率、發射率、穩定性和熱電性）中的應用。此外，作者重點介紹了ML在熱力設備設計和能源系統運行中的應用，包括建筑物中的熱交換器和供暖、通風、空調（HVAC）系統等。

圖1. ML輔助高通量熱能材料發現的一般工作流程

最后，作者討論了當前ML方法的前景和挑戰，并為可能對熱能利用研究產生進一步影響的未來方向和新算法提供了展望：1）在最基礎的尺度上，熱能材料的原子建模可受益于量子力學的ML加速數值解和高度精確的MLP輔助MD模擬，將大大降低傳統試錯過程的成本。2）在中尺度上，可更有效解決電子和聲子的傳輸動力學問題。通過將納米工程和現有實驗和建模數據的ML訓練相結合，逆向設計具有理想特性的功能材料將成為可能。3）在系統級的大尺度上，通過ML改進的能源需求預測、故障檢測及優化控制和調度，大型熱力系統將更有效地運行。作者預計ML可在不同的方向找到應用機會，包括但不限于計算高效的第一性原理材料建模、具有極端熱傳輸特性和高能量轉換效率的材料、新型熱材料或具有可變熱物理特性、操作的設備及分布式能源系統的控制等。

圖2. ML在系統級性能預測中的應用

Machine Learning for Harnessing Thermal Energy: From Materials Discovery to System Optimization, ACS Energy Letters 2022. DOI: 10.1021/acsenergylett.2c01836

3. 南洋理工ACS Nano: 機器學習加速納米傳感器檢測疾病的前景和展望

疾病X是一種假設的未知疾病，有可能在未來引起流行病或大流行病爆發。納米傳感器是有吸引力的便攜式設備，可在現場快速篩選疾病生物標志物，減少對實驗室分析的依賴。然而，傳統的數據分析限制了納米傳感器研究的進展。

在此，新加坡南洋理工大學夏克林、Xing Yi Ling等人強調了過去5年中在疾病納米尺度傳感方面取得的最新進展，特別關注機器學習（ML）算法所承擔的不可或缺的作用。首先，疾病特異性生物標志物的低生理濃度和多種生物基質中的大量干擾要求納米傳感器具有高靈敏度和特異性。對此，ML算法可通過（1）有效探索其合成參數空間來優化納米材料特性，（2）逆向設計方法創建具有定制特性的可編程納米顆粒，和（3）具有高通量篩選分子庫的工程設計納米結構表面以指導定制納米傳感器的智能制造以實現靈敏和特異性的生物標志物檢測。此外，納米傳感器與眾多生物分子之間的相互作用會產生豐富而復雜的分子信息，這對于手動分析或傳統的統計方法進行破譯具有挑戰性。在這方面，ML算法可通過（1）深入的特征分析闡明復雜的納米傳感器信號變化和（2）構建準確的預測模型且同時監測一組生物標志物或整個生物基質概況進行改善。

圖1. 集成ML算法提高納米傳感器檢測疾病X性能的方案

最后，作者總結了對該領域研究前景的看法，ML 算法將在以下方面進一步加強開發納米傳感器以檢測疾病X：（1）為廣義納米材料發現構建連續分段的自主工作流系統；（2）構建海量開源數據存儲庫；（3）加強結果與基礎知識的關系；（4）發現與現有疾病的潛在相關性；（5）加強利用先進的ML算法的能力。總之，ML在科學的許多方面的應用擴展有力地表明了它有可能徹底改變用于疾病X檢測的納米傳感器的發展。鑒于疾病X的難以捉摸，幾乎有必要將ML算法與最先進的技術相結合，以創建具有高度靈敏度和適應性的集成納米級傳感平臺。因此，作者設想ML驅動的納米傳感器是避免/最小化未來X疾病爆發的破壞性潛力的關鍵。

圖2. ML算法進一步加強開發用于檢測疾病X的納米傳感器的前景和展望

Where Nanosensors Meet Machine Learning: Prospects and Challenges in Detecting Disease X, ACS Nano 2022. DOI: 10.1021/acsnano.2c05731

4. 伯爾尼大學ACS Catal.: 貝葉斯優化探索高熵合金納米粒子的組成空間

高熵合金（HEA）電催化劑提供了廣闊的組成空間，可用于探索以確定用于能量轉換反應的有趣材料。雖然已經嘗試探索HEA薄膜庫的組成空間并比較實驗和計算研究，但對于HEA納米粒子不存在相應的方法。到目前為止，對HEA納米粒子的催化研究僅限于少量的單個催化劑。

在此，瑞典伯爾尼大學Matthias Arenz等人通過使用貝葉斯優化作為指導構建數據集，報道了碳負載Pt-Ru-Pd-Rh-Au納米粒子在H₂/CO氧化反應中的組成空間的實驗探索。應用無表面活性劑合成平臺，作者研究了68個樣品的數據集。其中，前體混合物的比例用作貝葉斯優化算法的輸入參數，而在H₂存在下定義的CO氧化“起始電位”用作描述H₂/CO氧化活性的輸出參數。由于明確定義的前體混合物不一定會產生明確的納米粒子組成，因此作者在第二部分中使用一個新的輸入參數構建機器學習模型，即通過能量色散X射線能譜（EDX）確定制備好的納米粒子的組成。通過構建機器學習模型，作者分析了組成元素濃度與催化活性的關系，并與DFT計算進行比較。

圖1. 兩種機器學習模型的性能

研究表明，機器學習模型證實了先前關于Ru在H₂/CO氧化反應中作用的研究結果。通過使用套索回歸來預測雙金屬 Pt-Ru合金的性能，作者發現了與已報道的性能最佳的Pt-Ru催化劑相似的最佳成分。這些結果強烈表明，采用簡單的、不含表面活性劑的合成方法及對納米粒子催化劑進行最小表征的優化過程，主要依賴于定義明確的合成變量并引入催化性能的度量，是探索HEA納米粒子催化劑廣闊組成空間的有效策略。當在成分空間中加入更多的金屬時，這就變得尤為重要。此外，通過比較計算和實驗研究的發展趨勢，可發現不同組分的“起始電位”與*OH的吸附能之間存在相關性。當考慮5%的*OH吸附最強位點時，計算數據與實驗數據之間的相關性最好。總之，本研究概述了一種有效且可行的方法，用于探索結合實驗和計算手段的碳負載多組分納米粒子的多維組成空間。

圖2. 通過計算成本低廉的模型獲得的總體預測趨勢

Exploring the Composition Space of High-Entropy Alloy Nanoparticles for the Electrocatalytic H₂/CO Oxidation with Bayesian Optimization, ACS Catalysis 2022. DOI: 10.1021/acscatal.2c02563

5. JMCA: 機器學習篩選用于高效鈣鈦礦太陽能電池的界面鈍化材料

智能篩選鈍化材料對于提高鈣鈦礦太陽能電池（PSC）的功率轉換效率（PCE）值至關重要，而目前仍缺乏這一點。

在此，北京交通大學徐征研究員、宋丹丹副教授及福建師范大學衛東等人以PSC 的鈣鈦礦/空穴傳輸層（HTL）界面為例，采用機器學習方法在原子水平上映射PCE和界面鈍化材料之間的相關性，從而實現智能材料篩選。首先，作者構建了包括大約100種用于鈣鈦礦/空穴傳輸層界面的界面材料的數據集。然后，在進行機器學習之前提取不同的特征，包括從界面材料、鈣鈦礦和標準器件性能中提取的特征。接下來，采用線性回歸（LR）、隨機森林（RF）、極端梯度提升（XGBoost）、神經網絡（NN）4種模型預測基于100多種界面材料的器件效率。模型評估表明，RF模型最好地預測了PCE，均方根誤差為0.7%。最后，作者使用DFT計算來模擬鈣鈦礦表面和界面材料之間的相互作用以解釋這些特征在確定器件PCE中的重要性。

圖1. 這項工作中使用的機器學習方法的工作流程

基于上述結果和討論，可以總結出界面材料篩選/設計的三個基本規則：（1）材料應至少具有一個NH₃⁺末端；（2）C鏈短，無苯環為佳；（3）其他官能團的效率不如NH₃⁺。這些發現得到了數據集中列出的實驗結果的支持，然而應通過系統實驗和特定表征方法進一步深入了解這些發現背后的潛在機制。此外，這些發現是從基于設備PCE的機器學習模型中獲得的。如果考慮其他設備性能指標（如穩定性、成本等），結果可能會有所不同，更多與其他設備性能指標相關的機器學習模型對于篩選實際應用的材料至關重要。盡管如此，機器學習方法可為材料篩選/設計提供一般規則，并在實驗前預測幾乎準確的結果。這將顯著加快新型界面材料的開發，降低材料成本和時間消耗。

圖2. 不同模型的預測性能及特征重要性分析

Screening interface passivation materials intelligently through machine learning for highly efficient perovskite solar cells, Journal of Materials Chemistry A 2022. DOI: 10.1039/D2TA04788H

6. 北化張欣/楊宇森JMCA: DFT+機器學習高效篩選雙金屬位點CO₂RR催化劑

CO₂的電還原為實現碳循環和能源再生提供了一種可持續的途徑，開發用于CO₂還原反應（CO₂RR）的高效電催化劑是關鍵的科學問題。目前，雙金屬位點催化劑（DMSCs）在電化學CO₂RR中顯示出巨大的潛力。然而，調節多種過渡金屬的組合和結構是一項巨大的挑戰。

在此，北京化工大學張欣教授、楊宇森等人報道了一種數據驅動策略，采用DFT與機器學習（ML）算法相結合來預測1120個DMSCs（兩個過渡金屬原子嵌入在氮摻雜石墨烯中，即M₁-M₂-N₆-Gra，金屬和氮的配位數(ω)在2~4之間）的催化性能，以篩選出高效的CO₂RR電催化劑。DFT計算結果表明，當ΔG_*CO大于0.11 eV時，U_L與ΔG_*CO之間存在良好的線性關系。然而，當ΔG_*CO小于0.11 eV時，線性關系被顯著破壞，導致使用ΔG_*CO對催化劑性能的預測不準確。因此，有必要通過使用具有簡單易用特性的機器學習來訓練更準確地描述DMSCs催化性能的預測模型。接下來，作者使用Pearson相關系數對特征進行分析，然后建立了具有這些特征的簡單ML模型，可在不到1分鐘的時間內獲得CO₂RR的U_L準確預測。

圖1. 不同ML算法的預測性能

研究表明，在4種不同的監督ML算法，即梯度提升回歸（GBR）、AdaBoosting 回歸（ABR）、隨機森林回歸（RFR）和線性回歸（LR）中，具有 17 個特征的梯度提升回歸（GBR）模型的預測精度最高，均方根誤差為0.09 V，決定系數R²為0.98。使用Pearson相關系數進行進一步的數據分析，ω和e是M₁-M₂-N₆-Gra的CO₂RR最顯著的描述符，催化性能隨配位數和電子轉移數的增加而增加。通過實施兩輪嚴格的特征選擇過程，4種DMSCs（Mn-Ru、Mn-Os、Zn-Ru和Co-Au-N₆-Gra-model 3）被確定為潛在的CO₂RR高效電催化劑。通過DFT計算，作者以高精度（小于0.07 V誤差）的結果驗證了ML預測的這些數據。總之，這項工作展示了ML方法的巨大潛力，并為合理設計高性能電催化劑提供了一種有效且準確的篩選方法。

圖2. ML預測與DFT計算結果的比較

Data-driven design of dual-metal-site catalysts for the electrochemical carbon dioxide reduction reaction, Journal of Materials Chemistry A 2022. DOI: 10.1039/D2TA04556G

原創文章，作者：華算老司機，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2022/10/06/a9f51dbe46/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

機器學習頂刊匯總：EES、ACS Energy Lett.、ACS Nano、ACS Catal.、JMCA等成果

相關推薦