学长撕开我的乳罩慢慢揉捏小说,扒开胸罩疯狂揉搓奶头大尺度动漫,av天堂午夜精品蜜臀av

1. 華科徐明教授InfoMat: 機器學習揭示硫屬化物玻璃中間隙態的結構起源

機器學習頂刊匯總：InfoMat、JACS、Acta Mater.、Chem. Sci.、Nanoscale等成果

3D半導體集成技術的最新發展需要一個關鍵部件，即雙向閾值開關（OTS）選擇器來抑制高密度存儲芯片中的電流泄漏。然而，現有OTS材料性能不盡如人意。通常由硫屬化物玻璃制成的OTS材料發展緩慢，主要歸因于對其電子結構的了解不足。由于無序系統的第一性原理計算量很大，目前還缺乏一種通用的理論來解釋導致OTS行為關鍵特征（中間隙態，MGS）的起源。

在此，華中科技大學徐明教授等人應用深度機器學習（ML）來揭示各種OTS材料中的底層物理機制，該方法可以大大縮短處理大量復雜數據的時間。作者采用多層感知器（MLP）學習和識別硫屬化物玻璃的結構特征，并建立了一個由1000個樣本組成的數據集來訓練和測試MLP模型。一個MLP模型由一個輸入層、幾個隱藏層和一個輸出層組成。輸入層是一組輸入神經元，包括結構特征和分類標簽。作者設置了兩個隱藏層，每層有50個神經元。為了避免意外誤差，采用了交叉驗證方法并將總數據集隨機分為訓練集（80%）和測試集（20%），計算平均識別率作為測試分數。關于輸入特征，作者收集了短程有序（SRO）和中程有序（MRO）的六個結構參數作為輸入數據集。其中SRO由一個中心原子及其最近鄰組成，MRO包括第二近鄰且可由多個SRO特征組成。

圖1. 深度機器學習算法追蹤預測MGS

在使用這些特征訓練MLP模型后，作者發現該模型在識別新玻璃中的MGS 時準確率達到了約95%。作者評估了這些特征的重要性，確認配位數和同極鍵（特別是來自MRO）與MGS最相關。為了測試ML結果，作者在非晶模型中人為地制造了一些缺陷，并證實了打破全局8-N規則的MRO基元是MGS的主要結構起源。基于這些發現，作者根據MRO配位數調整了MLP模型，并成功預測了其他幾種OTS材料中的MGS。盡管如此，目前仍需更多的訓練數據集才能將MLP模型應用于所有材料并預測OTS行為。總之，這項研究采用ML的方法成功地揭示了復雜硫屬化物玻璃中缺陷態的結構起源而無需昂貴的DFT計算，為先進半導體集成OTS材料和器件的設計鋪平了道路。

圖2. MLP模型在識別MGS方面的測試結果及特征重要性分析

Deep machine learning unravels the structural origin of mid-gap states in chalcogenide glass for high-density memory integration, InfoMat 2022. DOI: 10.1002/inf2.12315

2. 洛桑聯邦理工JACS: 基于機器學習預測化學位移從頭確定晶體結構

確定粉末狀固體的3D原子級結構是當前化學的關鍵目標之一。固態NMR化學位移可以用來解決這個問題，但受到與晶體結構預測方法和DFT化學位移計算相關的高計算成本的限制。

在此，瑞士洛桑聯邦理工學院Lyndon Emsley等人展示了通過使用最近引入的機器學習模型（稱為ShiftML）來預測化學位移，ShiftML是一種快速準確的方法，即使對于最大的分子晶體也可在幾秒鐘內計算化學位移。作者通過將動態的固態NMR位移計算集成到蒙特卡羅模擬退火優化協議中，以完全類似于溶液NMR或XRD中使用的方法來確定粉末狀有機固體的結構。其中，優化方案總結如下：首先，生成單分子的可行構象并使用DFTB3-D3H5優化鍵角和長度。然后，通過隨機化柔性扭轉角生成隨機構象，并通過隨機選擇給定空間群中的晶胞參數（晶胞長度、晶胞角度以及分子的位置和方向）生成起始晶體結構。第三，通過蒙特卡羅模擬退火過程優化每個結構，其中在每個步驟中定義晶體結構的參數之一隨機改變，并在改變后計算化學位移和DFTB系統能量。

圖1. 本研究中使用的晶體結構測定方案

該方法不需要任何結構假設或候選結構的先驗知識，僅使用動態生成的機器學習各向同性化學位移來直接指導從隨機氣相構象開始的基于蒙特卡羅的結構確定過程。基于此，作者成功確定了氨芐青霉素、吡羅昔康、可卡因和藥物分子 AZD8329的兩種多晶型物（形式I和IV）的晶體結構。其中AZD8329案例是一個特別重要的說明，因為它清楚地顯示了化學位移如何推動優化，使同一分子朝著兩個非常不同的結構方向發展。在本研究中，作者選擇使用蒙特卡羅模擬退火算法，因為它相對簡單，但原則上機器學習預測的化學位移可以合并到其他優化方法。因此，這種基于化學位移的分子固體結構測定方法在進一步發展和提高效率方面還有很大的空間。

圖2. 計算和測量的化學位移覆蓋氨芐青霉素結構的不對稱單元

De Novo Crystal Structure Determination from Machine Learned Chemical Shifts, Journal of the American Chemical Society 2022. DOI: 10.1021/jacs.1c13733

3. Acta Mater.: 機器學習輔助開發用于低溫應用的Fe₂P型磁熱化合物

Fe₂P型化合物表現出磁熱效應（MCE）并被廣泛研究用于室溫應用，將其轉變溫度降低到77 K以下時可為這些材料在低溫磁制冷氫液化方面的潛在應用鋪平道路。

在此，日本國立材料研究所H. Sepehri-Amin等人為了探索開發低溫MCE無稀土元素化合物的可能性，通過對已發表的Fe₂P型磁熱化合物實驗結果進行數據挖掘且收集了數據集，并使用機器學習進行成分優化旨在將轉變溫度降低到77 K以下。其中，作者為基于Fe₂P的化合物收集了包含603個樣品的數據集，并使用基于成分的特征來評估轉變溫度（T_tr）。選擇平均絕對誤差（MAE）作為評價指標，且對數據集的10次隨機拆分進行了評估，分別以20:80的比例分為測試和訓練子集。結果表明，Mn、Fe和Co等金屬元素與非金屬P、Si 和Ge一起對T_tr的調節具有最高的特征重要性。此外，作者采用人工神經網絡用于預測 Mn_xFe_2-xP_ySi_1-y組成空間內的T_tr，結果證實Fe的Co取代將擴大顯示低溫 MCE 的區域。

圖1. Fe₂P基磁熱化合物數據集的特征向量示意圖

因此，在Mn_xFe_2-xP_ySi_1-y的成分空間內，作者基于機器學習發現了一種很有前景的不含稀土元素的Mn_1.70Fe_0.30P_0.63Si_0.37合金，其T_tr為97 K，在外部磁場（μ₀H_ext）為1 T、溫度為5K的條件下具有121 Am² kg^-1的高磁化強度。此外，在Mn_1.7Co_0.03Fe_0.27P_0.63Si_0.37合金中，用Co輕微部分取代Fe可以將T_tr降低到73 K，但磁化強度會略微降低到 95 Am²kg^-1。Mn_1.7Co_0.03Fe_0.27P_0.63Si_0.37合金在μ₀H_ext = 0~5 T下的熵變為 7.5 J/kgK，可逆的絕熱溫度變化為 1.4 K，因此仍需進一步的工作來通過合金設計和磁滯工程來增加Fe₂P基化合物的磁熵變和可逆絕熱溫度變化。這項工作展示了一種不含稀土元素的磁熱材料用于氫氣液化的新潛力。此外，該研究為通過傳統實驗流程和機器學習相結合及二者的相互反饋來開發新型材料提供了一種新策略。

圖2. Mn_xFe_2-xP_ySi_1-y合金磁化強度與溫度的關系

Machine learning assisted development of Fe₂P-type magnetocaloric compounds for cryogenic applications, Acta Materialia 2022. DOI: 10.1016/j.actamat.2022.117942

4. 德州農工大學Acta Mater.: 機器學習用于快速評估高熵合金的彈性性能

高熵合金（HEAs）是一類新型材料，具有有趣的電子特性和優異的機械性能。基于耐火材料的HEA（RHEA）是一類特殊的HEA，顯示出巨大的應用潛力。然而，過高的計算成本和第一性原理方法的不確定性限制了使用傳統方法探索其指數級組合設計空間。

在此，美國德州農工大學Guillermo Vazquez, Prashant Singh及Raymundo Arróyave等人開發了基于描述符的機器學習（ML）框架模型，用于在廣闊HEA空間中快速探索機械性能。具體而言，作者以基于耐火材料的Nb-Ta-Mo-W-V HEAs舉例說明了基于描述符的分析模型對合金空間進行快速探索的能力。在從DFT計算獲得的彈性屬性數據庫上，使用基于確定獨立篩選和稀疏算子（SISSO）的ML方法訓練可靠、最優和可解釋的分析描述符。作者還對目標特性進行了詳細分析，通過關聯常見的元素/合金特征以優化描述符，從而更好地解釋提出的分析模型，這與黑盒ML模型明顯不同。Nb-Ta-Mo-W-V HEA的預測剛度矩陣用于評估技術上有用的量（如屈服強度），這些量可識別與熵的最佳組合更相關的高強度區域、具有大尺寸效應的區域、大的電負性方差和高相穩定性區域等。

圖1. 采樣、特征構建和特征分析過程的示意圖

上述預測的趨勢與有限的現有實驗相匹配，進一步建立基于描述符的廉價方法可以加速技術上有用HEA的設計。甚至，彈性關系也在五元合金空間中表現出與屈服強度相似的行為，這表明使用分析描述符是估計延展性的更直接方法。此外，作者還注意到具有優異機械性能的合金成分不一定具有最高化學熵或價電子數。例如，作者在低熵區域發現了具有高強度和高相穩定性（低形成焓）的成分，這再次質疑了將重點放在最大化熵以獲得更好的機械性能上的做法。總之，這項工作強調，計算成本低廉的ML模型對于徹底和準確地搜索廣闊的HEA組合空間以識別具有理想目標屬性的區域非常重要。為此，對合金空間的無約束搜索允許進一步優化HEA成分，且各種機械性能的系統研究將有利于加速尋找技術上有用的HEA。

圖2. 楊氏模量描述符-交叉驗證和誤差分析

Efficient machine-learning model for fast assessment of elastic properties of high-entropy alloys, Acta Materialia 2022. DOI: 10.1016/j.actamat.2022.117924

5. 李先鋒/張長昆Chem. Sci.: 液流電池領域應用機器學習的機遇與挑戰

隨著現代計算機計算能力的提高、數學算法的快速發展及材料數據庫的不斷建立，人工智能（AI）在化學領域展現出巨大的潛力。機器學習（ML）作為AI最重要的分支之一，在加速液流電池（FBs）關鍵材料的發現和設計及FB系統的優化方面發揮著重要作用。

在此，中科院大連化物所李先鋒研究員、張長昆研究員等人總結了FB領域應用ML的最新進展。首先，作者提供了對ML工作流程的基本理解：第一步是數據集構建，為ML應用收集足夠的數據樣本。第二步是特征工程，基于原始數據通過數學表示創建新的特征。隨后，將數據隨機劃分為訓練數據集和測試數據集，利用ML算法在訓練數據集的特征和目標函數之間建立模型。接下來，對算法的參數進行調整以優化模型，然后通過測試數據集評估模型的準確性。最后，經過驗證的模型可用于預測未知數據的屬性。此外，作者總結了最先進的ML算法在有機液流電池（OFB）和釩基液流電池（VFB）系統中的成功應用，還包括基于高通量計算模擬的FBs有機氧化還原活性分子的物理和電化學性質的預測。

圖1. ML的一般應用工作流程

最后，作者對ML在FBs中應用的主要局限性和未來研究方向進行了展望：（1）相關數據庫和算法的構建和共享。擁有足夠數據量和可靠數據的數據庫是ML在FB中應用的第一個關鍵步驟，如何更有效地共享數據是另一個挑戰；（2）提高堆棧性能和降低系統成本。ML已應用于連接VFB的堆棧性能和系統成本，還可為其他FB構建性能成本模型。此外，可更多關注時間序列預測方法的結合；（3）監測系統運行參數及對參數進一步預測。ML可根據FB系統產生的海量運行數據預測運行參數，進而指導系統運行。此外，通過在運行參數和性能之間建立模型，ML可用于優化 FB 系統的總體成本；（4）提高ML模型的可解釋性。這可為理解原始設計的機理和規律、發現能源材料、指導堆棧和系統的優化提供啟發，如何建立一個機制清晰、可理解的模型將是未來的一個重要研究方向。

圖2. 面向FBs的ML未來研究展望

Machine learning for flow batteries: opportunities and challenges, Chemical Science 2022. DOI: 10.1039/D2SC00291D

6. 魯東大學陳雪葉Nanoscale: 通過機器學習智能控制納米顆粒合成

納米顆粒的合成受許多反應條件的影響，其性質通常由其尺寸、形狀和表面化學等因素決定。為了使合成的納米顆粒具有適用于不同領域（如光學、電子學、傳感器應用等）的功能，對其性能進行精確控制是必不可少的。然而，以目前在微反應器上制備納米顆粒的技術，實現精確合成既費時又費力。

為此，魯東大學陳雪葉教授等人綜述了近年來采用微流體制備納米顆粒的方法和原理，并描述了機器學習的實施步驟、功能及其在納米技術中的應用。其中，機器學習輔助納米顆粒合成的研究可以概括為兩個主要領域：（1）監督學習預測合成后納米顆粒的特定光學、電子和傳感特性。通過將反應條件作為輸入變量及納米顆粒特性作為輸出目標，并選擇不同的機器學習算法來構建二者的映射關系，能夠精確地控制合成具有所需功能的納米顆粒。（2）在用于預測納米顆粒的神經網絡模型中，神經元數量和隱藏層數量等超參數對預測能力有直接影響。一方面，可以通過定義損失函數來對超參數進行貝葉斯優化，使預測模型更具權威性。另一方面，可以根據實驗條件定義“不滿意系數”。最后，可以迭代優化控制算法，直到優化結束并達到目標要求。

圖1. 機器學習算法的主要步驟

目前，機器學習輔助的納米顆粒合成也普遍存在一些問題。一方面，難以實現精確的合成控制，通過在線光譜儀收集納米顆粒的發射光譜來表征納米顆粒尺寸的方法引入了一些誤差。另一方面，機器學習輔助合成納米顆粒需要大量時間和精力投入。對此，作者認為：（1）關于上述誤差問題，采用傅里葉變換紫外光譜儀和紅外光譜儀等設備來表征納米顆粒的大小值得考慮；（2）關于準確測量納米顆粒尺寸的問題，可使用TEM在線獲取納米顆粒圖像，并通過計算機處理圖像的方法來確定其尺寸；（3）關于上述時間成本問題，遷移學習可通過將訓練好的模型參數遷移到新模型來幫助訓練新模型，這可以大大降低訓練模型的時間成本。盡管目前機器學習輔助制備納米顆粒技術的不成熟意味著仍然存在許多挑戰，但這并不妨礙其具備的新穎性和巨大研究潛力。

圖2. 機器學習輔助金屬納米顆粒合成優化

Intelligent control of nanoparticle synthesis through machine learning, Nanoscale 2022. DOI: 10.1039/D2NR00124A

原創文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/14/6ebb1562eb/

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：InfoMat、JACS、Acta Mater.、Chem. Sci.、Nanoscale等成果

相關推薦