目錄
叢書序
前言
第1章 基于機器學習的材料設(shè)計綜述 1
1.1 基于機器學習的材料設(shè)計研究背景 1
1.1.1 材料機器學習與材料設(shè)計 3
1.1.2 材料機器學習與材料信息學 4
1.1.3 材料機器學習與材料基因組計劃 6
1.2 基于機器學習的材料設(shè)計方法 8
1.2.1 材料機器學習問題的數(shù)學表達 8
1.2.2 材料機器學習的常用方法 9
1.2.3 材料機器學習的基本流程 12
1.3 基于機器學習的材料設(shè)計的應用軟件和開源工具 16
1.4 基于機器學習的材料設(shè)計研究進展 18
1.5 材料機器學習發(fā)展趨勢 23
1.5.1 材料機器學習建模的關(guān)鍵特征變量篩選 23
1.5.2 機器學習模型的選擇和優(yōu)化 24
1.5.3 材料機器學習新技術(shù)的推廣應用 24
1.5.4 材料機器學習應用軟件的開發(fā) 24
1.5.5 機器學習模型與第一性原理模型結(jié)合加快新材料研發(fā) 25
1.5.6 材料智能制造 25
1.5.7 基于機器學習的材料設(shè)計愿景 25
參考文獻 27
第2章 機器學習方法 31
2.1 回歸分析 31
2.1.1 一元線性回歸 31
2.1.2 多元線性回歸 33
2.1.3 嶺回歸 35
2.1.4 套索算法 36
2.1.5 偏最小二乘回歸 37
2.1.6 邏輯回歸 39
2.2 統(tǒng)計模式識別 41
2.2.1 最近鄰法 43
2.2.2 主成分分析 44
2.2.3 多重判別矢量和費希爾判別矢量 46
2.2.4 非線性映射 49
2.2.5 模式識別應用技術(shù) 50
2.3 決策樹及其衍生方法 54
2.3.1 決策樹 56
2.3.2 隨機決策樹 57
2.3.3 隨機森林 58
2.3.4 梯度提升決策樹 59
2.3.5 極限梯度提升算法 61
2.3.6 快速梯度提升算法 64
2.4 集成學習方法 65
2.4.1 Boosting算法 67
2.4.2 AdaBoost算法 68
2.4.3 Bagging算法 70
2.5 聚類方法 71
2.5.1 K均值聚類方法 71
2.5.2 噪聲密度聚類方法 72
2.5.3 評估指標 73
2.6 人工神經(jīng)網(wǎng)絡(luò)方法 75
2.6.1 反向傳播人工神經(jīng)網(wǎng)絡(luò) 75
2.6.2 Kohonen自組織網(wǎng)絡(luò) 77
2.6.3 深度學習網(wǎng)絡(luò) 79
2.7 支持向量機方法 81
2.7.1 統(tǒng)計學習理論簡介 82
2.7.2 支持向量分類算法 83
2.7.3 支持向量機的核函數(shù) 85
2.7.4 支持向量回歸算法 86
2.7.5 支持向量機分類與回歸算法的實現(xiàn) 88
2.7.6 應用前景 88
2.8 高斯過程回歸 89
2.9 遺傳算法和遺傳回歸 91
2.9.1 遺傳算法 91
2.9.2 遺傳回歸 93
參考文獻 96
第3章 特征篩選和超參數(shù)優(yōu)化方法 101
3.1 特征變量篩選方法 101
3.1.1 過濾式 102
3.1.2 封裝式 106
3.1.3 嵌入式 108
3.2 超參數(shù)優(yōu)化方法 109
3.2.1 網(wǎng)格搜索 109
3.2.2 遺傳算法 110
3.2.3 模型序貫優(yōu)化方法 111
3.3 小結(jié) 112
參考文獻 112
第4章 基于機器學習的合金材料設(shè)計 114
4.1 基于機器學習的合金材料設(shè)計概論 114
4.2 基于機器學習的高熵合金材料設(shè)計 114
4.2.1 算法選擇 116
4.2.2 特征工程 116
4.2.3 模型構(gòu)建 118
4.2.4 逆向設(shè)計 119
4.2.5 高通量篩選 120
4.2.6 實驗驗證 121
4.2.7 模型解釋 121
4.2.8 特征外推 123
4.3 基于機器學習的低熔點合金材料設(shè)計 123
4.3.1 數(shù)據(jù)收集和特征構(gòu)建 125
4.3.2 模型構(gòu)建 126
4.3.3 低熔點合金設(shè)計 130
4.3.4 實驗驗證 131
4.3.5 特征分析 131
4.4 基于機器學習的金合金材料設(shè)計 132
4.4.1 數(shù)據(jù)收集和特征變量 133
4.4.2 特征篩選及模型研究 134
4.4.3 特征分析 137
4.4.4 正向篩選和逆向驗證 137
4.4.5 在線預測 139
4.5 小結(jié) 140
參考文獻 141
第5章 基于機器學習的鈣鈦礦材料設(shè)計 146
5.1 基于機器學習的鈣鈦礦材料設(shè)計概論 146
5.2 基于機器學習的鈣鈦礦材料形成規(guī)律 146
5.2.1 數(shù)據(jù)收集 148
5.2.2 特征工程 148
5.2.3 模型研究 149
5.2.4 模型遷移 150
5.2.5 模型應用 150
5.2.6 二維敏感性分析 151
5.3 基于機器學習的鈣鈦礦催化活性設(shè)計 152
5.3.1 數(shù)據(jù)收集 153
5.3.2 特征分析及篩選 153
5.3.3 模型初建 154
5.3.4 模型優(yōu)化及評估 154
5.3.5 在線預報及虛擬篩選 157
5.3.6 產(chǎn)氫速率模型研究 161
5.3.7 統(tǒng)計分析 162
5.4 基于機器學習的有機-無機雜化鈣鈦礦材料設(shè)計 164
5.4.1 基于模擬樣本的HOIPs材料形成性設(shè)計 165
5.4.2 基于實驗樣本的HOIPs材料形成性設(shè)計 168
5.4.3 基于實驗樣本的HOIPs材料帶隙設(shè)計 177
5.5 小結(jié) 188
參考文獻 188
第6章 基于機器學習的太陽能電池有機小分子設(shè)計 193
6.1 基于機器學習的太陽能電池材料設(shè)計概論 193
6.1.1 有機太陽能電池給體/受體對分子設(shè)計 193
6.1.2 染料敏化太陽能電池敏化劑分子設(shè)計 194
6.2 基于機器學習的有機太陽能電池D/A對分子設(shè)計 194
6.2.1 特征工程 195
6.2.2 模型構(gòu)建 196
6.2.3 模型穩(wěn)定性和泛化能力評估 198
6.2.4 模型應用 198
6.2.5 模型解釋 199
6.2.6 量化驗證 201
6.3 基于機器學習的染料敏化太陽能電池BODIPY類分子設(shè)計 205
6.3.1 QSPR模型和在線預報 205
6.3.2 水平模型分析 206
6.3.3 垂直模型分析 210
6.3.4 潛在染料設(shè)計和PCE預測 211
6.3.5 量化評估 213
6.4 小結(jié) 217
參考文獻 218
附錄1 材料數(shù)據(jù)挖掘在線計算平臺主要功能和示范應用 221
附錄1.1 材料數(shù)據(jù)挖掘在線計算平臺技術(shù)簡介 221
附錄1.2 材料數(shù)據(jù)挖掘在線計算平臺功能介紹 223
附錄1.3 材料數(shù)據(jù)挖掘在線計算平臺應用案例 225
小結(jié) 232
附錄2 機器學習代碼示例 233
附錄2.1 機器學習環(huán)境安裝 233
附錄2.1.1 Python環(huán)境安裝 233
附錄2.1.2 機器學習環(huán)境配置 235
附錄2.2 多元回歸分析方法 237
附錄2.3 統(tǒng)計模式識別方法 242
附錄2.4 決策樹與基于決策樹的集成學習算法 245
附錄2.4.1 決策樹以及隨機決策樹 245
附錄2.4.2 基于決策樹的集成學習算法 248
附錄2.4.3 基于樹模型的特征重要性 249
附錄2.5 聚類方法 251
附錄2.6 人工神經(jīng)網(wǎng)絡(luò)與深度學習網(wǎng)絡(luò) 253
附錄2.6.1 人工神經(jīng)網(wǎng)絡(luò) 253
附錄2.6.2 深度人工神經(jīng)網(wǎng)絡(luò) 254
附錄2.6.3 卷積神經(jīng)網(wǎng)絡(luò) 258
附錄2.7 支持向量機 261
附錄2.8 集成學習 265
附錄2.9 特征選擇 266
附錄2.9.1 遺傳算法 266
附錄2.9.2 SHAP方法 269
附錄2.10 超參數(shù)優(yōu)化方法 275
附錄2.10.1 網(wǎng)格搜索方法 275
附錄2.10.2 HyperOpt方法 278