《材料智能設(shè)計與制造導(dǎo)論》 課件 第1節(jié) 材料設(shè)計范式的變革 - 背景和意義

第1節(jié)材料設(shè)計范式的變革：

背景和意義材料智能設(shè)計與制造導(dǎo)論IntroductiontoIntelligentMaterialsDesign&Manufacturing建議學(xué)時：4個學(xué)時（部分內(nèi)容對應(yīng)教材第1章和第5章）材料智能設(shè)計的背景21.1材料研究范式的轉(zhuǎn)變。1.2數(shù)據(jù)+智能加速材料研發(fā)案例（模擬數(shù)據(jù)）1.3數(shù)據(jù)+智能加速材料研發(fā)案例（真實數(shù)據(jù)）為什么需要數(shù)據(jù)+智能驅(qū)動的方式？什么是數(shù)據(jù)+智能驅(qū)動的材料設(shè)計？數(shù)據(jù)+智能驅(qū)動材料設(shè)計的基本思路？回答的問題：主要內(nèi)容：材料研發(fā)的模式3如何設(shè)計或?qū)ふ乙环N滿足需求的新材料？有哪些方法，是什么在驅(qū)動材料尋找過程？新材料的開發(fā)周期長，成本高巨大、復(fù)雜、高維的搜索空間結(jié)構(gòu)空間微觀組織結(jié)構(gòu)空間相空間化學(xué)組成、成分空間加工工藝空間服役性能空間材料研發(fā)的挑戰(zhàn)數(shù)據(jù)、知識相對有限4材料研發(fā)的挑戰(zhàn)關(guān)鍵科學(xué)問題:無法通過“試錯法”等方法在數(shù)量巨大的候選材料空間中快速找到最佳性能。假設(shè)有30種元素，分別可以組成五元六元七元合金，每種元素的成分有五種取值，共有=

種合金隨著成分成分調(diào)控、工藝改善，可能的候選材料急劇增加。5材料研發(fā)的模式6第一個范式：試錯法白熾燈燈絲的選擇：根據(jù)需要，嘗試眾多材料，從中挑選合適的材料研發(fā)的模式7第二個范式：經(jīng)驗或理論指導(dǎo)燈絲怎么樣才會發(fā)光？高熱量怎么產(chǎn)生高熱量？大電阻通過物理測試：高熔點尋找電阻大、熔點高的材料鎢燈絲材料研發(fā)的模式8第三個范式：計算指導(dǎo)計算各元素的電阻和熔點，代替物理測試材料研發(fā)的模式9第四個范式：數(shù)據(jù)+智能驅(qū)動利用已有數(shù)據(jù)，建立預(yù)測模型，對未知材料的電阻和熔點進(jìn)行預(yù)測，指導(dǎo)選擇材料的研發(fā)逐漸從經(jīng)驗、理論、計算輔助向數(shù)據(jù)+智能驅(qū)動發(fā)展，形成材料研發(fā)的“數(shù)據(jù)范式”第一范式:試錯法實驗160019502000第二范式:經(jīng)驗或模型熱力學(xué)定律

WorkdonebysystemChangeininternalenergyHeataddedtosystem第三范式:計算第一性原理計算分子動力學(xué)模擬第四范式:數(shù)據(jù)+智能驅(qū)動機器學(xué)習(xí)優(yōu)化算法人工智能材料研發(fā)模式的轉(zhuǎn)變10這門課相關(guān)領(lǐng)域的前沿狀態(tài)11基于貝葉斯優(yōu)化的化學(xué)機器人

基于GPT和貝葉斯優(yōu)化的自主實驗

隨著材料復(fù)雜程度提高，研發(fā)周期變長T

Lookman,PVPrasanna,D

Xue,

R

Yuan,

npjComputationalMaterials.2019;5,21如何加速材料研發(fā)的過程trial-and-error試錯法：解決比較簡單的材料設(shè)計問題T

Lookman,PVPrasanna,D

Xue,

R

Yuan,

npjComputationalMaterials.2019;5,21如何加速材料研發(fā)的過程trial-and-error經(jīng)驗和理論方法：解決復(fù)雜一點的材料設(shè)計問題T

Lookman,PVPrasanna,D

Xue,

R

Yuan,

npjComputationalMaterials.2019;5,21如何加速材料研發(fā)的過程Intuitionandtheorytrial-and-errorCalculationIntuitionandtheoryT

Lookman,PVPrasanna,D

Xue,

R

Yuan,

npjComputationalMaterials.2019;5,21如何加速材料研發(fā)的過程計算方法：解決更復(fù)雜的材料設(shè)計問題trial-and-errorIntuitionandtheory隨著研究范式的進(jìn)步，材料的研發(fā)時間縮短T

Lookman,PVPrasanna,D

Xue,

R

Yuan,

npjComputationalMaterials.2019;5,21如何加速材料研發(fā)的過程Calculationtrial-and-error除以上幾種方法外，期望更快地處理更復(fù)雜的材料設(shè)計問題T

Lookman,PVPrasanna,D

Xue,

R

Yuan,

npjComputationalMaterials.2019;5,21如何加速材料研發(fā)的過程CalculationIntuitionandtheorytrial-and-errorCalculation數(shù)據(jù)驅(qū)動的材料設(shè)計方法T

Lookman,PVPrasanna,D

Xue,

R

Yuan,

npjComputationalMaterials.2019;5,21如何加速材料研發(fā)的過程Intuitionandtheory材料研發(fā)模式的轉(zhuǎn)變19什么是數(shù)據(jù)驅(qū)動的材料設(shè)計？數(shù)據(jù)驅(qū)動材料設(shè)計的基本思路？研究背景材料的研發(fā)通常是尋優(yōu)問題（搜索全局極值的問題）在巨大搜索空間快速高效地找到全局極值20Y

=f(x)+ξ研究背景材料研究需要建立：存在問題：表達(dá)式f(x)難以建立，或者根本不存在已存在的f(x)并不令人滿意需要大量的樣本建立f(x)x:材料的成分組成、工藝條件等Y:材料的目標(biāo)性能21機器學(xué)習(xí)可以從已知數(shù)據(jù)學(xué)習(xí)規(guī)律，并對未知數(shù)據(jù)進(jìn)行預(yù)測x:材料的成分組成、工藝條件等Y:材料的目標(biāo)性能f:Y與x間的函數(shù)關(guān)系基于預(yù)測的分布有望快速找到具有優(yōu)化性能的材料組分Y

=f(x)+ξ可以預(yù)知未知材料的目標(biāo)性能Y的分布

研究背景-材料信息學(xué)工具：機器學(xué)習(xí)22統(tǒng)計模型數(shù)據(jù)結(jié)果反饋計算機模擬計算實驗制備與表征機器學(xué)習(xí)性能預(yù)測積累大量數(shù)據(jù)，建立機器學(xué)習(xí)模型，對性能進(jìn)行預(yù)測基于機器學(xué)習(xí)的材料信息學(xué)傳統(tǒng)研究方法/10.1038/srep02810/10.1038/nature17439基于傳統(tǒng)方法已經(jīng)成功快速預(yù)測一系列新的化合物或合成條件

研究背景-傳統(tǒng)研究方法23對于實驗來說，數(shù)據(jù)相對較少，導(dǎo)致模型較差，性能預(yù)測不準(zhǔn)確關(guān)鍵問題：如何從“小數(shù)據(jù)”出發(fā)，快速、有效地開發(fā)新材料？實驗數(shù)據(jù)少模型差性能預(yù)測不準(zhǔn)確不能有效地指導(dǎo)實驗統(tǒng)計模型數(shù)據(jù)新實驗數(shù)據(jù)反饋計算機模擬計算實驗制備與表征機器學(xué)習(xí)性能預(yù)測

研究背景-小數(shù)據(jù)存在的問題24

研究背景-如何利用機器學(xué)習(xí)輔助材料設(shè)計25二、研究案例26A“Simulated”Case案例27假定想通過變化X最大化Y問題：如果只知道三個數(shù)據(jù)點，怎么找到最佳x使Y最大化？28如果知道Y關(guān)于X的分布，問題就容易解決YmaxXoptimized29如何找到最佳X使得Y最大？現(xiàn)實情況：不知道Y關(guān)于X的分布30一個簡單的線性模型這種模型被稱為“回歸”(Regressor)例如：可以利用不同算法估計31利用“回歸”預(yù)測對應(yīng)所有X的Y可以選擇最佳預(yù)測Y進(jìn)行下次實驗這種選擇被稱為“選擇器”(Selector)32驗證選擇的最佳數(shù)據(jù)點33將新的數(shù)據(jù)點放入訓(xùn)練集，現(xiàn)在有四個數(shù)據(jù)點34新的數(shù)據(jù)點將會修正“回歸”模型35利用選擇器選擇下一個數(shù)據(jù)點36再次進(jìn)行實驗驗證37將新的數(shù)據(jù)點放入訓(xùn)練集，現(xiàn)在有五個數(shù)據(jù)點38實驗反饋回路39幾乎嘗試了所有可能性：94.2%反饋回路需要111次迭代找到最佳的Y40?依然幾乎嘗試了所有可能性類似的，可以用多項式模型作回歸41可以加入“領(lǐng)域知識”42我們只需要嘗試一半的可能性加入“領(lǐng)域知識”43可以加入“實驗設(shè)計”，即選擇器44“回歸”：線性模型+“選擇器”：全局優(yōu)化嘗試了四分之一的可能性利用全局優(yōu)化“選擇器”選擇下一個實驗45利用全局優(yōu)化“選擇器”選擇下一個實驗“回歸”：多項式模型+“選擇器”：全局優(yōu)化46同時加入“實驗設(shè)計”和“領(lǐng)域知識”47

同時加入“實驗設(shè)計”和“領(lǐng)域知識”48機器學(xué)習(xí)結(jié)合優(yōu)化實驗設(shè)計和領(lǐng)域知識有希望加速新材料的開發(fā)過程！“Simulatedcase”小結(jié)49真實的例子50

研究對象能夠感知電、磁、溫度、力等外場并產(chǎn)生驅(qū)動的重要功能材料鐵性智能材料形狀記憶合金鐵電壓電材料磁致伸縮材料宏觀上的智能響應(yīng)起源于其微觀序參量對外場的響應(yīng)εP電場溫度/力場電極化序參量晶格應(yīng)變序參量M磁場磁矩序參量51對鐵性智能材料響應(yīng)幅度及敏感度等關(guān)鍵性能提出越來越高的要求!

智能時代的關(guān)鍵材料在高技術(shù)與現(xiàn)代國防領(lǐng)域具有重要應(yīng)用原子力顯微鏡智能手機醫(yī)用血管支架太空望遠(yuǎn)鏡激光器定位系統(tǒng)偵察衛(wèi)星微機電系統(tǒng)潛艇減振和聲吶

重大需求52Selectingtheselector例子一53LinearRegressionLinearDiscriminantAnalysisQuadraticDiscriminantAnalysisK-NearestNeighborsBestSubsetSelectionRidgeRegressionandtheLassoPrincipalComponentsRegressionPartialLeastSquaresPolynomialRegressionandStepFunctionsSplinesDecisionTreesSupportVectorMachines……..例子一-回歸模型54如何為下一個實驗選擇候選材料？例子一-問題55Trialanderror

（“試錯法”）Exploitation（“開發(fā)”）Exploration（“探索”）Balancetradeoffexploitationandexploration……例子一-不同的選擇器56假如機器學(xué)習(xí)模型能夠完美地學(xué)習(xí)Y關(guān)與x的分布，那么可以直接選擇預(yù)測最大值開發(fā)例子一-不同的選擇器57但模型性能也可能很差，預(yù)測值會伴隨較大不確定性，為了提升模型性能，可以選擇不確定性最大的數(shù)據(jù)點，補充到訓(xùn)練集探索例子一-不同的選擇器58bestsofarNewsamplesProperty1234ExpectedImprovement

（“預(yù)期提升”）平衡開發(fā)和探索例子一-不同的選擇器全局優(yōu)化59平衡開發(fā)和探索同時考慮模型的預(yù)測值及其不確定性例子一-不同的選擇器60例子一-反饋迭代回路YuanR,etal.AdvancedMaterials,30(7):1702884(2018)/10.1002/adma.201702884.61目標(biāo)性能:電致應(yīng)變例子一-目標(biāo)材料驅(qū)動器，換能器等ElectricenergyMechanicalmotion62材料數(shù)據(jù)和待搜索空間例子一從61個數(shù)據(jù)點出發(fā)，快速在約60萬種化合物中找到具有高電致應(yīng)變的成分63例子一-特征選擇皮爾遜系數(shù)結(jié)合梯度下降選擇最優(yōu)特征組合，xElectro-strain=f

(x1,x2,x3,x4,……)64考慮均方誤差和交叉驗證誤差，基于徑向基核函數(shù)的支持向量機是最佳回歸模型，f例子一-模型選擇Electro-strain=f

(x1,x2,x3,x4,……)6