传统材料研发模式主要基于实验“试错法”，其研发周期长、效率低，人工智能驱动的科研范式变革和新材料数字化研发模式能有效地降低研发成本，缩短研发周期。本书基于计算、数据、AI和实验“四位一体”的新材料集成式智能化研发理念，提出了基于材料基因编码的新材料智能设计范式，从企业级新材料研发和面向科研的材料计算视角，重点围绕高通量材料集成计算、多尺度材料计算模拟、材料数据库、材料数据机器学习、新材料研发制造软件等介绍了新材料数字化智能化研发和设计基本概念、方法、技术和应用。本书同时也介绍了国产的高通量多尺度集成式材料智能化设计工业软件MatCloud+，并通过一些精选案例介绍了材料计算、数据和新一代人工智能等数字化研发方法技术在新能源、金属/合金、石油化工、复合材料、新型功能材料等重点材料行业或领域的应用。
样章试读
目录
- 目录
丛书序
序一
序二
前言
第1章 高通量多尺度材料计算：背景、意义和现状 1
1.1 材料研发之计算 1
1.2 材料研发之 AI 3
1.3 材料研发之数据 5
1.4 高通量多尺度材料计算：需要计算、数据、AI融合的基础设施支撑 7
1.4.1 高通量多尺度材料计算：特点及挑战 7
1.4.2 高通量多尺度材料计算平台：新材料研发基础设施 10
1.4.3 高通量多尺度材料计算平台发展趋势 .13
1.5 国外高通量多尺度材料计算平台现状 16
1.5.1 美国微软的Azure量子元素 16
1.5.2 美国Mat3ra 17
1.5.3 韩国Materials Square 18
1.6 MatCloud+材料云：国产高通量多尺度材料计算平台 18
1.6.1 MatCloud+高通量多尺度材料智能设计云平台简介 18
1.6.2 高通量、多尺度、SaaS化、流程化、智能化、自动化、图形化 20
1.6.3 10年研发历程和项目资助 23
1.6.4 在欧盟、美、英、日、中东等的影响力 24
1.6.5 在国内的应用及影响力 25
参考文献 26
第2章 企业级新材料研发之材料计算、数据、AI 30
2.1 概述 30
2.2 企业级新材料数字化研发典型案例 30
2.3 新材料数字化研发的核心技术：以美国QuesTek公司为例 32
2.3.1 第一性原理计算 33
2.3.2 计算热力学 34
2.3.3 材料数据库和机器学习 35
2.3.4 物性衍生模型 36
2.4 我国新材料数字研发化：困境、思考和破局 37
参考文献 38
第3章 材料基因和性能关系模型的构建 39
3.1 材料基因组计划 39
3.2 基因、材料图谱、分子指纹 41
3.3 材料基因编码 vs. 材料基因 42
3.4 材料基因编码的数学表达 44
3.4.1 材料基因 44
3.4.2 材料基因编码的数学表达：材料基因编码理想模型 44
3.5 基于材料基因编码的材料智能设计框架 45
3.6 基于材料基因编码的材料智能设计范式 46
参考文献 46
第4章 高通量材料计算与筛选 48
4.1 高通量计算 48
4.2 高通量材料计算 51
4.2.1 高通量材料计算的特点 51
4.2.2 高通量材料计算的分类 52
4.2.3 高通量材料计算的用途 53
4.3 高通量材料计算筛选 53
4.3.1 高通量筛选 53
4.3.2 高通量计算筛选 54
4.3.3 高通量计算筛选的结构候选空间 54
4.3.4 生成化学空间的案例 56
4.3.5 生成化学空间的其他注意点 58
4.3.6 高通量计算筛选的理论计算 59
4.4 高通量材料集成计算 60
4.4.1 如何有效地与高性能计算集成 60
4.4.2 如何有效地与材料数据分析集成 61
4.4.3 高通量计算各环节步骤的自动化集成 62
4.4.4 不同尺度计算软件的集成 65
4.4.5 计算数据与实验数据的集成 65
4.5 智算驱动的高通量材料集成计算平台建设 66
4.5.1 智算驱动的高通量材料集成计算平台总体架构 66
4.5.2 基于开放架构的智算平台核心技术实现 67
4.5.3 驱动引擎和自动流程 68
4.5.4 材料计算、制备、表征及服役的融合 68
4.5.5 融合人工智能与多尺度计算 68
4.6 高通量材料集成计算的未来发展趋势 68
参考文献 69
第5章 高通量计算环境 71
5.1 高通量计算环境之提供：高性能计算 71
5.1.1 术语和概念 71
5.1.2 多核架构 72
5.1.3 GPU架构 73
5.1.4 X-PU架构专用芯片 74
5.2 高通量计算环境之硬件：计算集群 75
5.2.1 计算集群基本概念 75
5.2.2 Beowulf计算集群 75
5.2.3 计算集群的优缺点分析 76
5.3 高通量计算环境之软件：集群作业管理系统 77
5.3.1 集群作业调度 78
5.3.2 集群作业管理 79
5.4 高通量材料集成计算对高性能计算提出的挑战 80
5.4.1 “多节点，小核数”vs.“少节点，大核数” 80
5.4.2 “不满核，非独占”vs.“不满核，独占” 81
5.4.3 自动调整和纠错 81
5.4.4 作业的停止、删除、续算 82
5.4.5 海量数据处理 82
参考文献 82
第6章 高通量材料计算驱动引擎 83
6.1 高通量材料计算驱动引擎概念 83
6.2 高通量材料计算驱动引擎核心功能剖析.84
6.3 高通量材料计算驱动引擎非功能需求分析 86
6.4 实现高通量材料计算驱动引擎的关键要素 86
6.4.1 作业与任务的区分 86
6.4.2 满足材料计算的高通量特性 87
6.4.3 高通量材料计算的容错、纠错机制. .87
6.4.4 工作流系统 87
6.4.5 高通量材料计算驱动引擎的要素整合 91
参考文献 92
第7章 高通量结构建模 93
7.1 结构建模概述. .93
7.2 超胞构建 94
7.3 掺杂 94
7.4 表面切割 95
7.5 表面吸附 96
7.6 界面建模 97
7.7 粗粒化建模 98
参考文献 98
第8章 多尺度计算模拟和跨尺度桥接. .99
8.1 概述 99
8.1.1 不同时空尺度的定义 100
8.1.2 跨尺度桥接 102
8.2 多尺度材料计算模拟104
8.2.1 量子和原子空间尺度的计算模拟 104
8.2.2 微观尺度的材料结构演化和材料响应.108
8.2.3 宏观尺度的计算模拟 113
8.3 软件的输入-输出关系和跨尺度桥接耦合 116
8.3.1 常用材料计算软件的输入-输出关系 117
8.3.2 常用材料计算软件的跨尺度桥接方法.120
8.4 跨时空尺度计算模拟的局限和挑战 122
8.5 跨时空尺度计算模拟的发展路线图 126
8.5.1 从科学/技术角度给出的建议路线图 126
8.5.2 从程序开发角度给出的建议路线图 127
8.6 自动化跨尺度桥接的国产软件 128
8.6.1 支持多尺度计算模拟的工作流引擎 128
8.6.2 跨尺度桥接的自动化流程实现 129
8.7 科技资源标识管理系统SciDataHandle 131
参考文献 132
第9章 面向科研的材料计算. .133
9.1 面向科研的材料计算特点 133
9.1.1 面向科研的材料计算与企业级新材料研发的区别 133
9.1.2 面向科研的材料计算主要特点 134
9.1.3 面向科研的材料计算用户行为分析 134
9.2 无须下载、编译、链接、安装的材料计算 135
9.2.1 计算模拟代码的编译和链接 135
9.2.2 购买和安装 136
9.2.3 云端材料计算：免下载、安装、编译、链接的材料计算 136
9.3 无须担心硬件资源、计算资源的材料计算 137
9.4 第一性原理计算的“多结构、多任务、多目标”问题 138
9.5 分子动力学的力场、前处理、后处理问题 139
9.5.1 分子动力学的力场设置 139
9.5.2 经验力场的分类 139
9.5.3 经验力场的局限性 141
9.5.4 力场的开发和扩展 141
9.5.5 力场参数的自动匹配 144
9.5.6 分子动力学计算的前处理挑战 145
9.5.7 分子动力学计算的后处理挑战 146
9.6 材料计算的作业管理、任务管理、资源管理 148
9.7 “建模、计算、数据、AI”的自动流水线模式 149
9.8 面向科研的材料计算面临的挑战和发展趋势 150
9.8.1 面向科研的材料计算面临的挑战 150
9.8.2 材料计算和机器学习的深度融合 151
参考文献 152
第10章 企业级材料基因数据库 153
10.1 构建企业级材料基因数据库的意义和挑战 153
10.1.1 构建企业级材料基因数据库的意义 153
10.1.2 构建企业级材料基因数据库的挑战 153
10.2 材料基因数据库需求分析与架构 154
10.3 材料基因数据库的实现技术 156
10.3.1 内部数据之制备和测试表征 156
10.3.2 外部数据之行业信息数据 157
10.3.3 数据安全 157
10.3.4 材料数据类型 159
10.4 材料测试表征和制备工艺数据录入的解决方案 159
10.5 材料数据的查询和检索 160
10.5.1 查询方式 160
10.5.2 检索方式 160
10.5.3 检索模式 161
参考文献 162
第11章 机器学习：材料基因编码的挖掘 163
11.1 材料数据的机器学习.163
11.2 定量构效关系模型 164
11.2.1 定量构效关系模型的构建流程 164
11.2.2 特征和描述符的区别 165
11.3 数据收集 166
11.4 特征提取 167
11.4.1 描述符获取 167
11.4.2 结构特征 169
11.4.3 结构特征获取 169
11.4.4 元素特征及获取 173
11.5 特征筛选 173
11.6 模型构建 174
11.7 模型评估 175
11.7.1 分类问题的评估指标 175
11.7.2 回归问题的评估指标 175
11.8 模型存储 176
11.9 主动学习 176
11.9.1 主动学习在材料数据机器学习中的应用 176
11.9.2 主动学习的选取未标记样本策略 177
11.10 一个机器学习挖掘材料基因编码的实例 177
参考文献 180
第12章 材料设计制造工业软件 183
12.1 新材料设计制造软件的“卡脖子”局面 183
12.2 新材料设计制造软件的研发进展与前沿动态 184
12.2.1 新材料数字化研发及新材料设计制造软件的内涵和外延 184
12.2.2 新材料设计制造软件的分类 .184
12.2.3 宏观尺度的新材料制造设计软件 186
12.2.4 微观尺度的材料结构演化和材料响应. .188
12.2.5 量子和原子空间尺度的材料计算软件. .188
12.2.6 材料集成设计软件 188
12.3 我国在材料设计制造工业软件的学术地位及发展动态 191
12.3.1 材料设计制造软件引起国家和地方政府重视 192
12.3.2 我国的材料设计制造软件、数据库及标准现状 193
12.4 新材料研发工业软件发展重点及未来展望 194
12.4.1 材料设计软件与制造工业软件发展重点. .194
12.4.2 多尺度计算模拟趋势 195
12.4.3 人工智能的融合 196
12.4.4 SaaS化趋势 196
12.4.5 与数据库的紧密融合 197
12.4.6 集成化趋势 197
12.5 研究和开发国产新材料设计制造工业软件的思考 197
参考文献 199
第13章 国产材料集成式智能设计工业软件：MatCloud+材料云 200
13.1 MatCloud+底层架构 200
13.1.1 核心模块 200
13.1.2 工作流系统 202
13.1.3 材料计算数据库 202
13.2 MatCloud-QE量子力学程序包 205
13.2.1 基于AI的高通量第一性原理计算加速算法 207
13.2.2 参数智能推荐算法 207
13.2.3 结构模型统一算法 208
13.2.4 后处理引擎 208
13.2.5 组件化引擎 208
13.2.6 图形化引擎 209
13.2.7 支持更多物理化学性质的计算 209
13.2.8 与MatCloud+材料云的API接口 209
13.3 MatCloud+的高通量计算案例 210
13.3.1 状态方程 210
13.3.2 过渡态搜索 211
13.3.3 截断能收敛性测试 212
13.4 示范案例1：MatCloud+减少人工干预90％以上 214
13.5 示范案例2：MatCloud+效率提升30％以上 215
13.5.1 传统方式开展材料计算步骤 215
13.5.2 采用MatCloud+的方式和步骤 218
13.5.3 分析比较 219
13.6 MatFusion：材料基因数据库快速构建和基因编码挖掘 220
13.6.1 基于标准规范、软件定义及无代码理念的架构设计 221
13.6.2 语义UI模板构成元素及元数据 221
13.6.3 语义UI模板的实现 223
13.6.4 模板数据库存储设计 224
13.6.5 语义UI模板管理 224
13.6.6 UI页面生成 224
参考文献 224
第14章 材料计算、数据、AI案例之新能源篇 225
14.1 钙钛矿太阳能电池材料的数字化设计 225
14.1.1 用于染料敏化太阳能电池的双电子受体有机染料分子设计 225
14.1.2 高通量多尺度研究太阳能电池材料 227
14.2 储氢材料的高通量计算和筛选 231
14.2.1 过渡金属掺杂对LiBH4脱氢特性影响的第一性原理研究 232
14.2.2 新型高容量储氢材料的高存储容量机理研究 238
14.2.3 电极材料的层间距研究 243
参考文献 245
第15章 材料计算、数据、AI案例之金属/合金篇 246
15.1 金属/合金 246
15.1.1 Mg-Al合金熔体固液界面结构的分子动力学研究 246
15.1.2 高通量计算和卷积神经网络预测金属间化合物表面性质 249
15.1.3 基于机器学习深度势的低能Al团簇候选者搜索 .255
15.2 高熵合金 259
15.2.1 金属掺杂CoFeMnNiX的高温合金的磁性研究 259
15.2.2 稀铝钼对FeNiCoCr基高熵合金层错和孪晶形成的影响 262
参考文献 265
第16章 材料计算、数据、AI案例之石油化工篇 .267
16.1 催化剂 267
16.1.1 铈和铂掺杂钙钛矿催化剂的第一性原理研究 267
16.1.2 单水分子在低折射率金红石型TiO2表面的吸附与分解 270
16.1.3 Pt3团簇修饰的Co@Pd和Ni@Pd型氧还原核壳催化剂设计 272
16.1.4 用于催化剂设计的机器学习特征工程 278
16.2 密封圈材料的抗老化性能研究 282
16.2.1 背景 282
16.2.2 MatCloud+模拟3类材料的抗老化性能 282
16.2.3 结果和讨论 284
16.3 分子动力学模拟研究醋酸丁酸纤维素加入增塑剂 288
参考文献 293
第17章 材料计算、数据、AI 案例之复合材料篇 294
17.1 背景 294
17.2 多尺度计算模拟方法 295
17.2.1 基于介观的单层板力学性能预测 296
17.2.2 基于宏观有限元的层合板力学性能预测 297
17.3 基于高通量计算筛选的层合板复合材料设计 299
17.3.1 支撑高通量计算筛选的层合板复合材料数据库架构 299
17.3.2 基于高通量计算筛选的单层板计算设计 300
17.3.3 基于高通量计算筛选的层合板计算设计 301
17.4 应用案例 301
17.4.1 案例设计 301
17.4.2 结果分析 302
17.4.3 高通量计算筛选设计带来的收益和价值提升 304
参考文献 305
第18章 材料计算、数据、AI 案例之新型功能材料篇 306
18.1 聚合物光电材料的光学性能表征 306
18.2 机器学习预测发光性能 309
参考文献 315
注释说明汇集表 317
京公网安备 11010102004214号