本书综述了基于机器学习的材料设计的最新研究进展，介绍了材料机器学习算法、开源软件和自主研发的材料数据挖掘在线计算平台在合金材料、钙钛矿材料和太阳能电池材料设计上的成功应用案例。本书的特色是“机器学习算法深入浅出，上机练习案例学以致用”，附录中的计算平台和算法代码具有智能机器学习建模、虚拟材料的高通量筛选和需求驱动的材料逆向设计等功能，为机器学习加快新材料设计和优化提供了行之有效的工具。
样章试读
目录
- 目录
丛书序
前言
第1章 基于机器学习的材料设计综述 1
1.1 基于机器学习的材料设计研究背景 1
1.1.1 材料机器学习与材料设计 3
1.1.2 材料机器学习与材料信息学 4
1.1.3 材料机器学习与材料基因组计划 6
1.2 基于机器学习的材料设计方法 8
1.2.1 材料机器学习问题的数学表达 8
1.2.2 材料机器学习的常用方法 9
1.2.3 材料机器学习的基本流程 12
1.3 基于机器学习的材料设计的应用软件和开源工具 16
1.4 基于机器学习的材料设计研究进展 18
1.5 材料机器学习发展趋势 23
1.5.1 材料机器学习建模的关键特征变量筛选 23
1.5.2 机器学习模型的选择和优化 24
1.5.3 材料机器学习新技术的推广应用 24
1.5.4 材料机器学习应用软件的开发 24
1.5.5 机器学习模型与第一性原理模型结合加快新材料研发 25
1.5.6 材料智能制造 25
1.5.7 基于机器学习的材料设计愿景 25
参考文献 27
第2章 机器学习方法 31
2.1 回归分析 31
2.1.1 一元线性回归 31
2.1.2 多元线性回归 33
2.1.3 岭回归 35
2.1.4 套索算法 36
2.1.5 偏最小二乘回归 37
2.1.6 逻辑回归 39
2.2 统计模式识别 41
2.2.1 最近邻法 43
2.2.2 主成分分析 44
2.2.3 多重判别矢量和费希尔判别矢量 46
2.2.4 非线性映射 49
2.2.5 模式识别应用技术 50
2.3 决策树及其衍生方法 54
2.3.1 决策树 56
2.3.2 随机决策树 57
2.3.3 随机森林 58
2.3.4 梯度提升决策树 59
2.3.5 极限梯度提升算法 61
2.3.6 快速梯度提升算法 64
2.4 集成学习方法 65
2.4.1 Boosting算法 67
2.4.2 AdaBoost算法 68
2.4.3 Bagging算法 70
2.5 聚类方法 71
2.5.1 K均值聚类方法 71
2.5.2 噪声密度聚类方法 72
2.5.3 评估指标 73
2.6 人工神经网络方法 75
2.6.1 反向传播人工神经网络 75
2.6.2 Kohonen自组织网络 77
2.6.3 深度学习网络 79
2.7 支持向量机方法 81
2.7.1 统计学习理论简介 82
2.7.2 支持向量分类算法 83
2.7.3 支持向量机的核函数 85
2.7.4 支持向量回归算法 86
2.7.5 支持向量机分类与回归算法的实现 88
2.7.6 应用前景 88
2.8 高斯过程回归 89
2.9 遗传算法和遗传回归 91
2.9.1 遗传算法 91
2.9.2 遗传回归 93
参考文献 96
第3章 特征筛选和超参数优化方法 101
3.1 特征变量筛选方法 101
3.1.1 过滤式 102
3.1.2 封装式 106
3.1.3 嵌入式 108
3.2 超参数优化方法 109
3.2.1 网格搜索 109
3.2.2 遗传算法 110
3.2.3 模型序贯优化方法 111
3.3 小结 112
参考文献 112
第4章 基于机器学习的合金材料设计 114
4.1 基于机器学习的合金材料设计概论 114
4.2 基于机器学习的高熵合金材料设计 114
4.2.1 算法选择 116
4.2.2 特征工程 116
4.2.3 模型构建 118
4.2.4 逆向设计 119
4.2.5 高通量筛选 120
4.2.6 实验验证 121
4.2.7 模型解释 121
4.2.8 特征外推 123
4.3 基于机器学习的低熔点合金材料设计 123
4.3.1 数据收集和特征构建 125
4.3.2 模型构建 126
4.3.3 低熔点合金设计 130
4.3.4 实验验证 131
4.3.5 特征分析 131
4.4 基于机器学习的金合金材料设计 132
4.4.1 数据收集和特征变量 133
4.4.2 特征筛选及模型研究 134
4.4.3 特征分析 137
4.4.4 正向筛选和逆向验证 137
4.4.5 在线预测 139
4.5 小结 140
参考文献 141
第5章 基于机器学习的钙钛矿材料设计 146
5.1 基于机器学习的钙钛矿材料设计概论 146
5.2 基于机器学习的钙钛矿材料形成规律 146
5.2.1 数据收集 148
5.2.2 特征工程 148
5.2.3 模型研究 149
5.2.4 模型迁移 150
5.2.5 模型应用 150
5.2.6 二维敏感性分析 151
5.3 基于机器学习的钙钛矿催化活性设计 152
5.3.1 数据收集 153
5.3.2 特征分析及筛选 153
5.3.3 模型初建 154
5.3.4 模型优化及评估 154
5.3.5 在线预报及虚拟筛选 157
5.3.6 产氢速率模型研究 161
5.3.7 统计分析 162
5.4 基于机器学习的有机-无机杂化钙钛矿材料设计 164
5.4.1 基于模拟样本的HOIPs材料形成性设计 165
5.4.2 基于实验样本的HOIPs材料形成性设计 168
5.4.3 基于实验样本的HOIPs材料带隙设计 177
5.5 小结 188
参考文献 188
第6章 基于机器学习的太阳能电池有机小分子设计 193
6.1 基于机器学习的太阳能电池材料设计概论 193
6.1.1 有机太阳能电池给体/受体对分子设计 193
6.1.2 染料敏化太阳能电池敏化剂分子设计 194
6.2 基于机器学习的有机太阳能电池D/A对分子设计 194
6.2.1 特征工程 195
6.2.2 模型构建 196
6.2.3 模型稳定性和泛化能力评估 198
6.2.4 模型应用 198
6.2.5 模型解释 199
6.2.6 量化验证 201
6.3 基于机器学习的染料敏化太阳能电池BODIPY类分子设计 205
6.3.1 QSPR模型和在线预报 205
6.3.2 水平模型分析 206
6.3.3 垂直模型分析 210
6.3.4 潜在染料设计和PCE预测 211
6.3.5 量化评估 213
6.4 小结 217
参考文献 218
附录1 材料数据挖掘在线计算平台主要功能和示范应用 221
附录1.1 材料数据挖掘在线计算平台技术简介 221
附录1.2 材料数据挖掘在线计算平台功能介绍 223
附录1.3 材料数据挖掘在线计算平台应用案例 225
小结 232
附录2 机器学习代码示例 233
附录2.1 机器学习环境安装 233
附录2.1.1 Python环境安装 233
附录2.1.2 机器学习环境配置 235
附录2.2 多元回归分析方法 237
附录2.3 统计模式识别方法 242
附录2.4 决策树与基于决策树的集成学习算法 245
附录2.4.1 决策树以及随机决策树 245
附录2.4.2 基于决策树的集成学习算法 248
附录2.4.3 基于树模型的特征重要性 249
附录2.5 聚类方法 251
附录2.6 人工神经网络与深度学习网络 253
附录2.6.1 人工神经网络 253
附录2.6.2 深度人工神经网络 254
附录2.6.3 卷积神经网络 258
附录2.7 支持向量机 261
附录2.8 集成学习 265
附录2.9 特征选择 266
附录2.9.1 遗传算法 266
附录2.9.2 SHAP方法 269
附录2.10 超参数优化方法 275
附录2.10.1 网格搜索方法 275
附录2.10.2 HyperOpt方法 278
京公网安备 11010102004214号