《材料智能设计与制造导论》 课件 第6节 材料智能设计与制造 - 实践与案例.pptx

第6节材料智能设计与制造：

实践与案例材料智能设计与制造导论IntroductiontoIntelligentMaterialsDesignManufacturing建议学时：4个学时（部分内容对应教材第3章、第4章和第5章）

人工智能时代的到来…...2AlphaGovsKeJie(2017)超算+大数据机器人+自动化机器学习ChatGPTNewcontentgeneration(2022)

“材料基因工程”——国家发展计划3关于材料研发模式、研发文化、研发技术创新的计划：两大主要技术创新领域：（1）发展材料高通量计算、实验技术，提高研发效率！（2）数据驱动创新的研发模式，加速新材料应用进程！2011年6月奥巴马宣布“材料基因组计划”（MaterialsGenomeInitiative）2015年科技部设立了“材料基因工程关键技术与支撑平台”重点专项。“材料基因组计划”和“材料基因工程”的提出：

举例：清洁能源的技术需求实现“碳中和”目标的核心是科技创新，如何加速新技术的研发？其中，光伏+风能将成为主要能源供给来源4DNVGLenergyreport:/2018/09/26/solar-pv-to-grow-65-fold-by-2050-2c-target-will-be-missed-by-a-long-shot-report/65xPVgrowthZ.Nie(聂祚仁),2021,Presentedatthe5thForumofMGEtechnologyinnovationNPU-ZheLiuenergysaving

“数据驱动”材料设计领域52019年，美国劳伦斯-伯克利实验室利用机器学习算法自动阅读、分析了材料领域的学术论文2020年，英国利物浦大学利用机器人和机器学习方法实催化材料的全自动优化2021年，美国普林斯顿大学利用机器学习算法指导化学合成实验，提高了产率2016年，美国哈弗福德学院的本科生团队通过机器学习失败实验的经验，指导新材料的开发机器学习算法在材料研究的应用已成为前沿热点和趋势

本节提纲6.1通过主动学习的材料优化6.2基于生成模型的材料设计与挖掘6

实验作业三色混合的自动实验7123456789目标色实验配色红蓝黄回归模型实验设计输出颜色输入颜色

主动学习优化步骤8初始选点（Xinit）红色（μL）蓝色（μL）黄色（μL）X1X2X3自动移液器配液实验拍照、提取颜色RGB参照颜色新加入颜色计算颜色的色差（Y）利用X、Y建立高斯过程回归模型计算获取方程的取值建议新的取点位置Xnew

实验作业代码三色混合的自动实验9

算法中重要的设置（一）10初始选点定义优化目标

算法中重要的设置（二）11定义贝叶斯优化参数

算法中重要的设置（三）12设置停止条件

指导催化剂材料的优化13Nature583,237–241(2020)机器人自主优化催化剂材料染料1染料2染料3PH调节表面活性剂1表面活性剂2离子键氢键净化剂

指导化学合成，提高产率14Nature590,89–96(2021)芳基化反应的产率优化,主要调节5个材料和实验参数“人机对抗”

指导钙钛矿太阳能电池（一）15同时优化的参数包括：1.退火温度2.基底移动速度3.喷涂液体流量4.等离子气体流量5.等离子喷嘴高度6.等离子负载率喷涂+等离子制备钙钛矿器件的参数优化arXiv:2110.01387（/abs/2110.01387）

指导钙钛矿太阳能电池（二）16主动学习方法：（蓝色和绿色）能够更快的找到高效器件（小于100个实验条件）单一变量法/正交实验法：（暗黄色）通过更多的实验，能够找到更高效的器件（大于100个实验条件）主动学习方法（机器学习）与其他实验设计方法的比较arXiv:2110.01387（/abs/2110.01387）

本节提纲6.1通过主动学习的材料优化6.2基于生成模型的材料设计与挖掘17

典型的材料设计与优化问题18机器学习回归模型X1X2X3X4X5yX可以是：材料成分制备工艺参数组织结构特性……y可以是材料性能：力学–抗压强度电学–电导率光学–吸收能带隙……极值优化算法

数据挖掘和发现新材料19通过对大型理论数据库的学习，建立材料成分与结构和性能等关系利用生成模型，建立发掘数据库中不存在的新材料典型机器学习生成模型数据挖掘和材料设计隐空间LatentSpace

自编码器（autoencoder）20自编码器=编码器+解码器编码所在空间叫做隐空间

变分自编码器（VAE）21通过KLdivergence方程的限制