一女不过三精什么意思,高潮了还不停按我的小豆豆,青青河边草直播免费观看

1. 阿貢實驗室Nat. Commun.: 連續動作空間中的強化學習用于開發高維勢能模型

機器學習頂刊匯總：Nature子刊、Sci. Adv.、AM、ACS Nano、npj Comput. Mater.等

將樹搜索與深度學習相結合的強化學習（RL）方法在搜索非常大但離散的動作空間（如在國際象棋、將棋和圍棋中）方面取得了顯著成功。許多現實世界的材料發現和設計應用涉及多維搜索問題和具有連續動作空間的學習領域，探索材料的高維勢能模型就是一個例子。

在此，美國阿貢國家實驗室Subramanian KRS Sankaranarayanan等人基于RL和決策樹的強大思想，在高維連續動作空間中開發了一種有效的連續蒙特卡洛樹搜索算法（c-MCTS）。與傳統的離散蒙特卡洛樹搜索（MCTS）和最近的連續動作空間MCTS方法顯著不同，作者引入了三個概念來解決連續動作空間問題：（1）避免退化的唯一性函數，（2）將樹深度與動作空間相關聯，（3）實施自適應采樣。第一個概念確保在MCTS期間僅探索獨特的節點，這避免了兩個最初分離的MCTS分支收斂到連續搜索空間的同一區域的常見問題。更重要的是，這解決了多個物理問題中經常遇到的相同（退化）解的多個表示問題（如可以使用不同的晶胞定義來表示相結構）。第二個概念為算法提供了一個有意義的結構，子葉在比父節點更窄的區域內搜索。最后，為了提高質量，特別是在高維搜索空間的情況下，隨機模擬偏向于對那些更接近父葉的區域進行采樣。

圖1. 使用e-MCTS對納米團簇的勢能面進行高通量探索后的模型性能

使用高維人工景觀和控制RL問題，作者成功地將該方法分別與流行的全局優化方案和最先進的策略梯度方法進行了基準測試，c-MCTS廣泛優于最先進的元啟發式和其他優化方法。作者應用這種方法為元素周期表中的54個元素開發了準確的鍵序勢（具有18維搜索空間），而傳統方法需要多年的努力。一方面，開發的勢能將有助于材料模擬界的發展，因為其可以準確地捕獲跨大配置空間的能量和原子力，使其在催化領域具有吸引力，特別是對于涉及形成局部活性位點的單原子催化劑的問題。另一方面，c-MCTS將有助于解決材料發現中的巨大挑戰，這些挑戰通常涉及在連續空間中進行搜索。

圖2. 各種代表性元素系統簇的動態穩定性

Learning in continuous action space for developing high dimensional potential energy models, Nature Communications 2022. DOI: 10.1038/s41467-021-27849-6

2. 密歇根大學呂煒教授Nat. Commun.: 用于拓撲優化的自主在線機器學習

通過在給定域中優化分布材料的拓撲優化需要非梯度優化器來解決高度復雜的問題。然而，由于涉及數百個或更多設計變量，解決此類問題將需要數百萬次有限元法（FEM）計算，其計算成本巨大且不切實際。

在此，美國密歇根大學呂煒教授等人報道了將深度神經網絡（DNN）與 FEM 計算相結合的自主導向在線學習優化（SOLO）算法，以顯著加速非梯度拓撲優化。DNN用于將設計映射到目標并作為替代模型來近似和替換計算成本高昂的原始函數，啟發式優化算法根據DNN的預測找到可能的最優設計?；谧顑炛?，通過FEM動態生成和評估新的查詢點作為額外的訓練數據。這種自主導向的在線學習循環不斷重復直到收斂，可以歸類為基于模型的序列超參優化（SMBO）算法的迭代學習方案利用了啟發式方法的搜索能力和DNN的高計算速度。與基于梯度的方法相比，該算法不依賴于拓撲優化問題的目標函數的梯度信息。除了連續變量之外，此屬性還允許將其應用于二進制和離散設計變量。

圖1. 具有40×16設計變量的流體結構優化問題的設置和結果

此外，作者證明了該方法在解決4種類型的8個問題中的有效性，即2個柔量最小化問題（設計固體以使結構在給定載荷下實現最大剛度）、2個流體結構優化問題（設計流體隧道以最小化給定入口的流體壓力損失）、1個傳熱增強問題（設計銅結構以減少蓄熱系統的充電時間）和3個桁架優化問題（選擇桁架中鋼筋的橫截面積）。與直接應用包括廣義模擬退火（GSA）、二進制蝙蝠算法（BBA）和蝙蝠算法（BA）在內的啟發式方法相比，該算法將計算成本降低了至少兩個數量級。這項研究通過將深度學習嵌入到優化方法中為高維優化帶來了新的視角，還可以結合更多技術，如并行FEM計算、不確定性建模和基于靈敏度分析的干擾以提高性能。

圖2. 三個不同鋼筋數量的桁架優化問題的設置和結果

Self-directed online machine learning for topology optimization, Nature Communications 2022. DOI: 10.1038/s41467-021-27713-7

3. 烏得勒支大學Science子刊: 基于深度學習的進化策略逆向設計軟材料

膠體自組裝，即膠體自發組織成有序結構被認為是生產下一代材料的關鍵。然而，當今驚人的各種膠體構件和無限多的熱力學條件使得系統的探索變得困難重重。該領域的真正挑戰是扭轉這種邏輯并開發一種強大的通用算法來逆向設計自組裝成目標結構的膠體。

在此，荷蘭烏得勒支大學Gabriele M. Coli, Emanuele Boattini等人介紹了一種基于深度學習技術的通用逆向設計方法（IDM），通過針對晶體、準晶體（QC）和液晶的衍射圖案進行有效的逆向設計工程。該方法主要包括三個步驟：（i）采樣，（ii）適應度評估和（iii）更新?；跈C器學習的有序參數與搜索多維參數空間的進化策略相結合，以優化膠體相互作用和熱力學條件（密度、溫度等）以實現目標相的自組裝。將IDM設計為逆向工程階段，從晶體到液晶和QC通常需要兩個要素：首先，應該定義一個對多個階段的全局結構敏感的順序參數，且可以將其用作適應度函數，指示與期望結果的“接近”程度。其次，必須設計一種數學方案來根據選擇的適應度函數更新設計參數。

圖1. 三種QC（QC12、QC10和QC18）的逆向工程

為此，作者訓練卷積神經網絡（CNN）從衍射圖案中對不同的相位進行分類并使用結果構建適應度函數，并將更大的適應度分配給具有更高概率被分類為目標階段的樣本。最后，在此分數的基礎上，使用協方差矩陣自適應方程更新多元高斯分布的均值和協方差矩陣，這些方程旨在促進參數空間的有效探索。事實證明，該算法非常穩健和通用，不僅有助于晶體和液晶相的逆向設計，而且還有助于QC的逆向設計。該結果為結構優化和發現鋪平了道路，特別是對于二元和三元系統，由于尺寸比和組成等新的系統參數，設計空間變得更大。在這些情況下，目前對相圖和新興相的了解有限，IDM可以證明是極其寶貴和高效的。

圖2. 在軟球柱體的3D模型中對QC12進行逆向工程

Inverse design of soft materials via a deep learning–based evolutionary strategy, Science Advances 2022. DOI: 10.1126/sciadv.abj6731

4. 萊斯大學AM: 機器學習指導閃速焦耳加熱法合成石墨烯

納米科學的進步使得能夠通過閃速焦耳加熱從低價值或廢料中合成納米材料，例如石墨烯。盡管這種方法很有發展前景，但目前對焦耳加熱過程中控制納米晶體形成的復雜變量仍然知之甚少。

在此，美國萊斯大學James M. Tour等人構建了機器學習（ML）模型，以探索在閃速焦耳加熱過程中驅動無定形碳轉化為石墨烯納米晶體的因素。這些反應中使用的起始材料是：炭黑、塑料廢料衍生的熱解灰、熱解橡膠輪胎和冶金焦。然后，作者通過廣域拉曼映射評估了每個樣品的結構特征。接下來，作者構建ML 回歸模型以預測源自拉曼光譜映射的石墨烯產率指標。首先，從用于預測石墨烯產率的可用參數中憑經驗選擇了總共5個特征。然后，使用5個選定的特征來訓練6個ML回歸模型來預測石墨烯產量，包括線性回歸（LR-R）、貝葉斯回歸（BR-R）、多層感知器（MLP-R）、決策樹（DT-R）、隨機森林（RF-R）、和極端梯度提升（XGB-R），所有回歸模型使用5折交叉驗證進行訓練。

圖1. 預測石墨烯產量的6種回歸模型的性能

結果顯示，結晶度的XGBoost回歸模型（XGB-R）具有最佳的預測性能，R²為0.8051 ± 0.054，提取的特征重要性分析和決策樹揭示了選擇起始材料的關鍵考慮因素及隨機電流波動在閃速焦耳熱合成中的作用。此外，部分依賴性分析證明了電荷和電流密度作為結晶度預測指標的重要性，這意味著隨著閃速焦耳加熱參數的變化，從反應受限動力學到擴散受限動力學的進展。最后，作者展示了ML模型的實際應用，通過使用貝葉斯元學習算法在許多焦耳加熱反應中自動提高體積結晶度。這些結果說明了ML作為分析復雜納米制造過程的工具的強大功能，并能夠通過閃速焦耳加熱合成具有所需特性的二維晶體。

圖2. XGB-R模型預測石墨烯產率的特征分析

Machine Learning Guided Synthesis of Flash Graphene, Advanced Materials 2022. DOI: 10.1002/adma.202106506

5. 南大郝玉峰ACS Nano: 人工神經元網絡實現二維材料和范德華異質結構的識別和表征

二維（2D）材料及其面內和面外（即范德華，vdW）異質結構是下一代電子和光電器件的有前途的構建模塊。由于器件的性能在很大程度上取決于材料的晶體質量和異質結構的界面特性，因此需要一種快速且無損的方法來區分和表征各種2D構件以促進器件的集成。

在此，南京大學郝玉峰教授等人提出了一個基于有監督的人工神經網絡（ANN）模型的深度學習算法，它使用光學顯微鏡圖像中的六個原色通道，即紅色、綠色、藍色（RGB）和色調、飽和度、亮度（HSV）作為輸入信息來區分和表征各種 2D材料，包括絕緣體（h-BN）、半導體（WS₂、MoS₂、MoTe₂、WSe₂和 MoSe₂）、半金屬（石墨烯）和超導體（Bi₂Sr₂CaCu₂O₈，即BSCCO-2212）。研究表明，該算法在區分二維材料方面表現出卓越的性能，能夠在不同成像條件下對八種單層和雙層二維材料進行分類，準確率遠高于90%（總體準確率在90~100%之間，平均準確率為96.25%）。此外，由于光強變化，預測結果穩定，因此光強不影響識別精度。

圖1. ANN模型對二維材料的識別性能

更重要的是，這種數據驅動的方法實現了兩個有趣的功能：（1）解決平面內生長的化學氣相沉積（CVD）和vdW異質結構的界面分布，可以快速識別 CVD 生長的MoS₂/WS₂異質結構的化學成分和界面配置；（2）在三元回歸模型的輔助下，ANN模型可以識別 CVD 生長的 MoS₂的硫空位缺陷濃度，避免使用原子分辨 TEM、掃描隧道顯微鏡（STM）等傳統表征策略。因此，這兩個功能可用于在未來快速識別樣品質量并優化合成參數。這項研究表明，基于ANN的工具能夠快速、高效、無損地表征各種2D構建塊，從而大大加快其在各種設備中的使用。

圖2. CVD-MoS₂中缺陷濃度的識別

Artificial Neuron Networks Enabled Identification and Characterizations of 2D Materials and van der Waals Heterostructures, ACS Nano 2022. DOI: 10.1021/acsnano.1c09644

6. 趙仕俊/吳正剛npj Comput. Mater.: 機器學習指導設計高熵碳化物陶瓷

高熵陶瓷（HEC）在高應力和高溫等苛刻條件下顯示出巨大的應用潛力。然而，巨大的相空間對新型高性能HEC的合理設計提出了巨大挑戰。

在此，香港城市大學趙仕俊教授、湖南大學吳正剛教授等人開發了機器學習（ML）模型來發現高熵碳化物陶瓷（HECC），以基于HECC候選物及其組成二元過渡金屬碳化物（TMC）的化學屬性來預測HECC的單相概率。利用從DFT計算中獲得的前兆信息和參數，訓練有素的支持向量機（SVM）和人工神經網絡（ANN）模型可以預測其中陽離子來自IV、V或VI族的單相HECC。IV族和V族TMC可以很容易地形成具有改善機械性能的單相HECC，由于VI族金屬中的更高價填充，作者預計這些元素的加入可以進一步提高HECC的性能。

圖1. ML模型的性能

研究表明，ML模型展示了很高的預測準確度（SVM和ANN模型分別為0.982和0.944）。使用這些訓練有素的模型，作者研究了約90個未合成的HECC的單相概率并預測了38個單相 HECC，其中包含來自IV、V和VI族金屬的五種陽離子，這些預測與當前的實驗結果非常吻合。通過僅對組成前體的特性進行訓練，該ML模型能夠預測非等原子HECC的相形成概率。作者進一步建立了跨越整個成分空間的非等原子HECC的相圖，通過該相圖可以輕松識別單相狀態。因此，該研究開發的ML模型可以加速等原子和非等原子HECC的發現，這為沉浸式相空間內的合理HECC設計開辟了道路，從而可以有效地調整HECC的特性。

圖2. 不同特征的相對重要性分析

Design high-entropy carbide ceramics from machine learning, npj Computational Materials 2022. DOI: 10.1038/s41524-021-00678-3

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/2023/10/15/84b841b1fe/

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：Nature子刊、Sci. Adv.、AM、ACS Nano、npj Comput. Mater.等

相關推薦

機器學習頂刊匯總：Nature子刊、Sci. Adv.、AM、ACS Nano、npj Comput. Mater.等