克日，， ，，，8188cc威尼斯质料基因组工程研究院张统一院士团队孙升研究员和熊杰助理研究员克日在盘算质料著名期刊《npjComputational Materials》上揭晓了机械学习指导质料设计的最新研究效果（“MLMD: a programming-free AI platform topredict and design materials”，， ，，，10:59，， ，，，2024）。。8188cc威尼斯质料基因组工程研究院为本论文的第一完成单位和通讯单位，， ，，，广州市质料信息学重点实验室为本论文的配合第一作者单位，， ，，，上海市力学信息学前沿科学基地、之江实验室、香港科技大学(广州)功效枢纽为论文的相助单位。。8188cc威尼斯21级博士生马家轩和香港科技大学（广州）23级博士生曹斌为配合一作，， ，，，8188cc威尼斯质料基因院孙升研究员和熊杰助理研究员为配合通讯作者。。
图1.MLMD平台的架构和功效模？？
质料基因工程的研发理念深刻厘革了质料研发范式，， ，，，提高研发效率，， ，，，降低研发本钱。。质料基因工程研发理念的焦点是质料信息学，， ，，，人工智能手艺是质料信息学的焦点工具，， ，，，用好质料信息学需要具备较好的编程基础和能力，， ，，，这一门槛限制了许多质料领域研发职员对证料信息学的应用。。为解决此问题，， ，，，我们开发了一个基于web端的界面友好的AI质料设计平台MLMD(Machine Learning for Materials Design)，， ，，，平台集成了质料信息学常用的机械学习算法，， ，，，包括特征工程，， ，，，回归展望、分类展望和聚类。。平台还针对证料设计的需要，， ，，，集成了随机优化算法用于单目的或者多目的的质料设计，， ，，，开发了贝叶斯自动学习算法模？？榻饩瞿Ｗ幼既范群椭柿狭煊蛐∈莸奈侍，， ，，，平台还集成了基于迁徙学习质料设计流程框架。。
图2.单目的/多目的质料设计流程图
MLMD平台包括了三个主要的质料设计流程：模子推理、署理优化和自动学习。。模子推理和署理优化的效率取决于展望模子的鲁棒性，， ，，，而模子性能则受限于可用数据的质量。。在署理优化中，， ，，，训练好的展望模子被集成到随机优化算法中，， ，，，以加速质料设计。。自动学习模？？槭褂帽匆端估砺，， ，，，平衡探索和开发，， ，，，以制订最优的质料设计战略，， ，，，推荐目今最优的质料参数。。针对推荐参数开展新的实验或盘算，， ，，，不但可以验证ML展望，， ，，，还为数据集提供新数据，， ，，，用于自动学习新一轮循环。。
MLMD平台通过对6类质料数据开展的示例性研究显示，， ，，，平台可以仅通过鼠标点击式操作的方法，， ，，，完成质料的性能展望和优化设计。。
事情获得了国家重点研发妄想（编号：2022YFB3707803）、国家自然科学基金项目（编号：12072179、11672168）、之江实验室重点研发项目（编号：2021PE0AC02）和上海浦江人才项目（编号：23PJ1403500）的资助。。
图3.署理优化RAFM钢设计效果
图4.自动学习AlCoCrCuFeNi高熵合金设计效果
文章链接：https://doi.org/10.1038/s41524-024-01243-4
平台链接：matdesign.top
源码链接：https://github.com/Jiaxuan-Ma/MLMD
