Npj Comput. Mater.: 稀疏材料数据实现高效外推设计：距离产生“美”

文章预览

海归学者发起的公益学术平台 分享信息，整合资源 交流学术，偶尔风月 机器学习（ML）算法具有对高度非线性数据的优异拟合能力，已越来越多地应用于材料科学以寻找新材料。然而，新材料的发现仍然面临着数据稀缺和搜索空间庞大的挑战。如果数据在搜索空间中分布不均匀，或是局限于某些区域，基于预测的采样通常更偏向于内插，而不是外推。尽管使用主动学习等方法也需要多次迭代来进行材料性能的外推。因此，如何在有限数据的条件下高效地设计出性能优异的新材料，成为亟待解决的科学问题。 来自中国西北工业大学材料学院的李金山教授和袁睿豪副教授团队，提出了一种创新的材料设计方法，开发了结合无监督聚类、可解释分析和相似性评估的采样框架，其核心是基于已知数据和未知数据的聚类距离进行采样，并以航空发动机高温 ………………………………