机器学习的应用设计聚合物电介质

聚合物电介质被广泛使用在电容器等不同的电器和电子设备,电力传输电缆和微芯片。适应不同的工作环境,一系列不同的属性介质和热参数所需的聚合物,可调谐通过定制化学和形态结构或添加nanofillers /添加剂形成纳米复合材料。这是在杂志上讨论专业Nanodielectrics。

研究:对机器学习驱动设计聚合物电介质。图片来源:迈克尔Traitov / Shutterstock.com

广泛的努力一直致力于设计和开发聚合物电介质优化它们的属性。结果,新的模式将有效地设计聚合物电介质与所需的属性。

新兴的机器学习(ML)技术培训大量数据之间建立联系输入指纹和输出特性,它提供了一个强大的代理模型分析组织性能的联系。

此外,逆设计方法如进化搜索(ES)策略和生成模型可以用来探索潜在的大空间材料,大大加速了发现和开发新的聚合物。欧洲杯足球竞彩图1演示了工作流的ML聚合物电介质的理性设计的方法。

图1所示。机器学习方法的原理设计合理的聚合物电介质。图片来源:朱,et al ., 2021

该研究试图提供一个概述的应用ML-driven方法设计合理的聚合物纳米复合材料的电介质。

方法

毫升方法用来设计聚合物电介质通常涉及监督学习,在这些模型的可靠性主要是由样本的数量和质量的训练数据集。训练数据的主要来源是在线图书馆,高通量计算和实验。

作为一种有效的替代方法,包括采用高通量计算理论,phase-filed模型、分子动力学(MD)和有限元方法被用来获取属性数据。研究人员说明了DFT方法用来估计电极的电荷注入势垒在高分子聚合物和陷阱深度,分别。

纳米复合材料或聚合物的热力学性质,如热导率和玻璃传输温度,可以方便地通过MD模拟计算。例如,非平衡医学博士已被广泛用于估算导热系数。

创建了相场模型来分析聚合物纳米复合材料的破坏行为和有效介电常数(图2 e),纳米复合材料微观结构的影响,像nanofillers的形状和方向,可以考虑。

ML-driven方法涉及两个不同的步骤:数值代表数据集的材料(指纹)和目标之间建立一个映射属性和指纹输入(学习)。欧洲杯足球竞彩

聚合物是通过指纹的发生各种各样的建筑碎片(包括块像公司、CH₂,C, C₆H₄、O、C₄H₂年代,NH)的分数。

ML算法的目的是建立一个目标属性和指纹输入之间的映射,提供了一个有效的代理计算目标属性。目前,线性和非线性回归算法被用来构建模型,人工神经网络(ann)和基于回归是最受欢迎的算法。

高斯过程回归(GPR)是一种行之有效的方法来开发毫升模型聚合物电介质。均值和方差对客观值可以估计基于协方差矩阵的计算,它的元素显示两个特性之间的协方差。

不同的ML算法可用于开发一个代理目标属性和指纹输入之间的模型。这些技术都有自己的优缺点适用的数据集的大小,计算效率和预测功能。表1描述了这些算法的简要比较。

表1。比较不同的ML算法。来源:朱,et al ., 2021

ML算法	优势	缺点
线性回归	简单的方法	忽视的非线性描述符和属性之间的联系
KRR,支持向量机	低计算成本	不为大型数据集的大小内核的数量平方矩阵尺度特性
探地雷达	客观的不确定性值可以预测	需要一个可管理的数据集大小和没有能力训练多个属性在一个模型中
射频	可行的大型数据集,并提供了一种内在的指标来评估每个描述符的重要性	可以创建过于复杂树和导致过度拟合
安	展览能力强来捕获复杂非线性关系从大规模的数据集	需要更多的训练数据,很耗时间,和缺乏可解释性;也被称为“黑盒”。
深 神经 网络	可行的材料和学习交涉的图形化表达不同的抽象级别欧洲杯足球竞彩	需要更多的训练数据,是耗时的,缺乏可解释性

缩写:安,人工神经网络;探地雷达,高斯过程回归;KRR内核岭回归;毫升,机器学习;射频、随机森林;支持向量机SVM。

GPR-based毫升模型是用来筛选潜在聚合物纳米复合材料与期望的击穿强度,介电常数,能量密度,导致不同类型的纳米复合材料与首选属性。

主动学习算法,迭代填补选择最佳点为训练数据集材料设计中被证明是有效的。欧洲杯足球竞彩

主动学习算法包括三个相互交织的步骤:(1)训练ML-based代理模型预测目标属性,(2)选择最优样本根据预测结果等价值观和不确定性,以及(3)补充最理想的样本训练数据集。

纯勘探、纯粹的剥削和平衡勘探开发原则是用来选择最理想的样品。

GA方法配合毫升模型与大发展聚合物能带和高玻璃化转变温度。逆设计算法和训练有素的ML算法演示了,估计17从用户定义的云点聚合物结构。

对于autoencoder,编码器数据如何聚合物映射到低维空间称为潜在的空间,和译码器试图恢复原表示从潜在的空间。氮化镓,发电机试图产生一个分布的样本,而鉴别器预测数据的概率是否真实或合成。

皮尔森相关系数(PCC)之间不同的目标属性和特性可以估计表示变量的重要性,在PCC−1代表负相关性高,1代表高度的正相关性。

CNN梯度分析是用来确定一系列BiVO composition-structure-property关系₄合金。DeepLIFT用于探测各种分子结构导热系数的贡献的聚合物链。

应用程序

聚合物电介质发现广泛应用在不同的电气和电子设备。它已经表明,ML-driven方法是合理设计聚合物的电介质的有效手段。

表2总结了特定的例子ML-driven方法用于设计聚合物和纳米复合材料,指纹,目标属性,数据源,逆设计技术,提供和ML模型。

表2。ML-driven方法的一些例子应用于设计聚合物和纳米复合材料。来源:朱,et al ., 2021

目标 财产	数据 源	指纹	毫升 模型	逆 设计 方法	参考
聚合物:聚合物的能带和电子注入势垒(击穿强度的代理)	DFT计算	分层的指纹在[53]	探地雷达	枚举	[53]
		微笑在[43]			[43]
聚合物:能带和介电常数(代理 能量密度)	DFT计算	基于指纹单打、双打和三元组组件	KRR	枚举	[22]
聚合物:频率相关的介电常数	实验数据 研究	分层的指纹	探地雷达	枚举	[34]
聚合物:介电常数	实验数据 研究	分层的指纹	间隔支持向量回归	- - - - - -	[86]
聚合物:能带,玻璃化转变温度	实验数据 研究	微笑	探地雷达	遗传算法在[102]	[102]
				VAE在[104]	[104]
聚合物:玻璃化转变温度	实验数据 研究	微笑	探地雷达	主动学习	[88]
聚合物:聚合物的比热	实验数据	使用材料工作室软件分层构造指纹欧洲杯足球竞彩	决策树	- - - - - -	[66]
聚合物导热系数:	MD模拟	微笑	美国有线电视新闻网	- - - - - -	[25]
聚合物导热系数:	在线数据库	微笑	贝叶斯方法	枚举	[39]
纳米复合材料:击穿强度、介电常数和能量密度	实验数据 研究	Descriptor-based指纹	探地雷达	枚举	[26]
纳米复合材料:击穿强度	蒙特卡洛的多尺度模拟	MCR方法	探地雷达	遗传算法	[79]
纳米复合材料:能量密度	相场模拟	Descriptor-based指纹	神经网络	枚举	[60]
纳米复合材料:热 导电率	有限元模拟	二维横截面 图片	美国有线电视新闻网	- - - - - -	[61]

缩写:CNN,卷积神经网络;DFT,密度泛函理论;有限元,有限元模型;遗传算法,遗传算法;探地雷达,高斯过程回归;KRR内核岭回归;宏、微观结构表征和重建医学、分子动态;毫升,机器学习;神经网络,神经网络;微笑,简化Molecular-Input Line-Entry系统; VAE, variational autoencoder.

结论

ML-driven方法培训大量的数据已经证明是一个健壮的技术组织性能连锁分析和快速设计的聚合物电介质。训练数据在很大程度上从网上收集聚合物库高通量计算和实验的文献。

增加知识的首选聚合物/纳米复合材料微观结构和性能之间的联系应该为合并其他重要描述符像形态,陷阱状态、加工条件更精确地估计介电性能。

更复杂的逆设计方法和神经网络算法可以用于组织性能分析、聚合物电介质的发现,和财产的预测。

期刊引用:

朱,M.-X。邓,T。盾,L。,Chen, J.-M., Dang, Z.-M. (2021) Review of machine learning-driven design of polymer-based dielectrics.专业Nanodielectrics。doi.org/10.1049/nde2.12029。

引用和进一步阅读

见鬼,Z.-M等。(2013)灵活nanodielectric电力储能材料具有高欧洲杯足球竞彩介电常数。先进材料欧洲杯足球竞彩,25,6334 - 6365页。doi.org/10.1002/adma.201301752。

李、H。等。(2021)介电聚合物高温度电容储能。化学学会评论,50,6369 - 6400页。doi.org/10.1039/D0CS00765J。

李,Z & Du, B(2018)为高电压直流挤压聚合物绝缘电缆:挑战和发展方向。IEEE电气绝缘杂志,34(6)、30-43页。doi.org/10.1109/MEI.2018.8507715。

Montanari, g . C。等。(2018)下一代聚合高压直流线时需要量子飞跃?IEEE电气绝缘杂志,34(2)24-31页。doi.org/10.1109/MEI.2018.8300441。

汉堡,N。等。(2016)对复合材料的热导率:机制、参数和理论。高分子科学的进展欧洲杯线上买球,61年,28页。doi.org/10.1016/j.progpolymsci.2016.05.001。

黄,C。等。(2018)聚合物和聚合物纳米复合材料的热导率。欧洲杯足球竞彩材料科欧洲杯线上买球学与工程:R:报告,132年,页22页。doi.org/10.1016/j.mser.2018.06.002。

元,C。等。(2020)分子半导体聚合物/有机复合材料高温介质能量储存。自然通讯,11,p . 3919。doi.org/10.1038/s41467 - 020 - 17760 - x。

张,C。等。嫁接的抗氧化聚乙烯上改善直流介电和热老化性能。IEEE电介质和电气绝缘,28(2),541 - 549页。doi.org/10.1109/TDEI.2020.009261。

田中,T。等。(2004)聚合物纳米复合材料作为电介质和电气绝缘检测的角度处理技术、材料特性和未来的应用。IEEE电介质和电气绝缘,11(5),763 - 784页。doi.org/10.1109/TDEI.2004.1349782。

黄,X。,等。(2019)高k和1 d填充聚合物纳米复合材料介电和能源存储应用程序。材料科学的进步,欧洲杯足球竞彩欧洲杯线上买球One hundred.,187 - 225页。doi.org/10.1016/j.pmatsci.2018.10.003。

江,J。等。(2019)与互穿聚合物纳米复合材料表现出超高放电效率和能量密度梯度结构。先进能源材料欧洲杯足球竞彩,9(15),p . 1803411。doi.org/10.1002/aenm.201803411。

Mannodi高Kanakkithodi。,等。(2016)理性有限公司设计的聚合物电介质储能。先进材料欧洲杯足球竞彩,28(30),页6277 - 6291。doi.org/10.1002/adma.201600377。

勒、T。等。(2012)定量组织性能的关系模型不同的材料属性。欧洲杯足球竞彩化学评论,112年,2889 - 2919页。doi.org/10.1021/cr200066h。

刘,Y。,等。(2020)机器学习辅助材料为可充电电池设计和发现。欧洲杯足球竞彩能源存储材料欧洲杯足球竞彩,31日,434 - 450页。doi.org/10.1016/j.ensm.2020.06.033。

Doan Tran、H。等。(2020)机器学习的预测聚合物性质与聚合物基因组。应用物理杂志,128年,171104页。doi.org/10.1063/5.0023759。

周,T。等。(2019)大数据为材料研究带来了新的机遇:回顾材料设计方法和机器学习的应用。欧洲杯足球竞彩工程,5(6),981 - 1192页。doi.org/10.1016/j.eng.2019.02.011。

巴特勒,k . T。等。机器学习(2018)分子和材料科学。欧洲杯足球竞彩欧洲杯线上买球自然,559年(7715),页547 - 555。doi.org/10.1038/s41586 - 018 - 0337 - 2。

Kumar j . N。等。(2019)聚合物设计的挑战和机遇与机器学习和高通量实验。夫人通信,9(2),537 - 544页。doi.org/10.1557/mrc.2019.54。

沙,W。等。(2021)在聚合物信息学机器学习。InfoMat,3(4),353 - 361页。doi.org/10.1002/inf2.12167。

杰克逊,n . E。等。(2019)最新进展在机器学习对多尺度软材料设计。欧洲杯足球竞彩当前化学工程的意见,23,106 - 114页。doi.org/10.1016/j.coche.2019.03.005。

桑切斯高Lengeling B & Aspuru高Guzik使用机器学习(2018)逆分子设计:生成模型的工程问题。欧洲杯线上买球,361年,360 - 365页。doi.org/10.1126/欧洲杯线上买球science.aat2663。

Mannodi高Kanakkithodi。,等。(2016)机器学习策略加速聚合物电介质的设计。科学报告,6,p . 20952。doi.org/10.1038/srep20952。

沙玛,V。等。(2014)设计合理的有机聚合物电介质。自然通讯,5,p . 4845。doi.org/10.1038/ncomms5845。

沈、z . H。等。(2019)阶段的领域建模和机器学习电动列车热机械故障等聚合物为基础的电介质。自然通讯,10,1843页。doi.org/10.1038/s41467 - 019 - 09874 - 8。

朱,m . X。等。(2020)Machine-learning-driven发现与高导热聚合物分子结构。国际期刊的传热传质,162年,p . 120381。doi.org/10.1016/j.ijheatmasstransfer.2020.120381。

朱,m . X。等。(2021)设计合理的高能源密度聚合物复合材料通过机器学习的方法。ACS应用能源材料欧洲杯足球竞彩,4(2),1449 - 1458页。doi.org/10.1021/acsaem.0c02647。

湾,X。,等。(2019)材欧洲杯足球竞彩料的发现和属性预测热运输通过材料信息学:一个迷你回顾。纳米快报,9(6),3387 - 3395页。doi.org/10.1021/acs.nanolett.8b05196。

Balachandran P V(2019)机器学习引导功能材料的设计与目标属性。欧洲杯足球竞彩计算材料科学欧洲杯足球竞彩欧洲杯线上买球,164年(15),82 - 90。doi.org/10.1016/j.commatsci.2019.03.057。

Mannodi高Kanakkithodi。,等。(2018)聚合物基因组范围:合理的聚合物电介质设计路线图。欧洲杯足球竞彩材料今天,21(7),页785 - 796。doi.org/10.1016/j.mattod.2017.11.021。

Meredig, B。,等。(2014)组合筛查新材料与机器学习无约束空间组成。欧洲杯足球竞彩物理评论B,89年,p . 094104。doi.org/10.1103/PhysRevB.89.094104。

莱姆布莱萨,R。等。机器学习(2017)在最近的材料信息学:应用和前景。欧洲杯足球竞彩npj计算材料欧洲杯足球竞彩,3,54页。doi.org/10.1038/s41524 - 017 - 0056 - 5。

施密特,J。等。(2019)的最新进展和应用机器学习在固体状态材料科学。欧洲杯足球竞彩欧洲杯线上买球npj计算材料欧洲杯足球竞彩,5,83年。doi.org/10.1038/s41524 - 019 - 0221 - 0。

陈,L。等。(2021)聚合物信息学:现状和关键的下一步。欧洲杯足球竞彩材料科欧洲杯线上买球学与工程:R:报告,144年,p . 100595。doi.org/10.1016/j.mser.2020.100595。

陈,L。等。(2020)频率依赖应承担的介电常数的预测聚合物使用机器学习。npj计算材料欧洲杯足球竞彩,6,61年。doi.org/10.1038/s41524 - 020 - 0333 - 6。

大冢,S。等。(2011)Polyinfo:聚合物高分子材料设计数据库。欧洲杯足球竞彩:国务院X。伦纳德,B。,Nik, B. (eds.) International Conference on Emerging Intelligent Data and Web Technologies, Tirana, Albania, September. pp. 22–29. IEEE, Los Alamitos.

乌鸦(2015)聚合物性质数据库(互联网)。可以在:http://www.polymerdatabase.com(2021年10月10日通过)。

中心的分级材料设计(CHiMaD) (2015)。欧洲杯足球竞彩聚合物性质预测和数据库(互联网)。可以在:https://pppdb.uchicago.edu(2021年10月10日通过)。

欢,t·D。等。(2016)聚合物为加速数据集属性预测和设计。科学数据,3,p . 160012。doi.org/10.1038/sdata.2016.12。

吴,S。等。地理(2019)机器学习辅助发现聚合物与高导热系数使用分子设计算法。npj计算材料欧洲杯足球竞彩,5,第66页doi.org/10.1038/s41524 - 019 - 0203 - 2。

赵、H。等。(2018)NanoMine模式:一个可扩展的数据表示为聚合物纳米复合材料。APL材欧洲杯足球竞彩料,6,p . 111108。doi.org/10.1063/1.5046839。

Tshitoyan, V。等。(2019)无监督字嵌入捕捉潜在的知识从材料科学文献。欧洲杯足球竞彩欧洲杯线上买球自然,571年,95 - 98页。doi.org/10.1038/s41586 - 019 - 1335 - 8。

金、E。等。(2017)从欧洲杯足球竞彩科学文献材料合成的见解通过文本提取和机器学习。化工材料欧洲杯足球竞彩,29日,9436 - 9444页。doi.org/10.1021/acs.chemmater.7b03500。

Kamal, D。等。(2020)可计算的体积和界面电子结构特性作为高分子介质击穿的代理。ACS应用材料&接口欧洲杯足球竞彩,12(33),页37182 - 37187。doi.org/10.1021/acsami.0c09555。

王,W。等。(2019)界面电荷动力学相关的交叉检测聚乙烯/乙烯丙烯二烯应承担的应承担的双重绝缘聚合物的能带结构透露的。IEEE电介质和电气绝缘,26(6),1755 - 1762页。doi.org/10.1109/TDEI.2019.008122。

张,T。等。(2014)与杰出的热导率和热稳定性聚合物纳米纤维:基本的分子特性和宏观热性能之间的联系。物理化学杂志上的C,118年(36),页21148 - 21159。doi.org/10.1021/jp5051639。

沈、z . H。等。(2017)高吞吐量阶段检测领域高能源密度聚合物纳米复合材料的设计。先进材料欧洲杯足球竞彩,30.(2),p . 1704380。doi.org/10.1002/adma.201704380。

王,C . C。等。(2014)计算聚合物电介质的策略设计。聚合物,55,979 - 988页。doi.org/10.1016/j.polymer.2013.12.069。

朱,J。等。(2020)设计合理的耐热量聚合物固化能量较低的材料基因组的方法。欧洲杯足球竞彩化工材料欧洲杯足球竞彩,32(11),页4527 - 4535。doi.org/10.1021/acs.chemmater.0c00238。

陈,X。,等。(2019)第一优先原则对聚乙烯和聚四氟乙烯寡聚物的电荷注入的障碍。应用物理杂志,126年,p . 035101。doi.org/10.1063/1.5089863。

佐藤,M。等。(2017)第一优先原则的研究载体注射聚乙烯(PE)和乙烯醋酸乙烯酯共聚物(EVA)低聚物。IEEE电介质和电气绝缘,24(1),574 - 582页。doi.org/10.1109/TDEI.2016.006346。

默,M。等。(2001)在聚合物分子建模电子陷阱绝缘体:化学缺陷和杂质,《物理化学》杂志上,115年,2876 - 2881页。doi.org/10.1063/1.1385160。

高田,T。等。(2015)确定的诱捕地点饱和和芳香族聚合物通过量子化学计算。IEEE电介质和电气绝缘,22(2),1240 - 1249页。doi.org/10.1109/TDEI.2015.7076827。

Kamal, D。等。(2021)小说高压聚合物绝缘材料使用的计算和数据驱动技术。《物理化学》杂志上,154年,p . 174906。doi.org/10.1063/5.0044306。

温,C。等。(2020)测定玻璃化转变温度的聚酰亚胺原子的分子动力学模拟和机器学习算法。高分子科学杂志》欧洲杯线上买球,58(11),页1521 - 1534。doi.org/10.1002/pol.20200050。

秦、H。等。(2019)热传输基于石墨烯量分层材料:一个分析模型验证与广泛的分子动力学模拟。欧洲杯足球竞彩碳,155年,114 - 121页。doi.org/10.1016/j.carbon.2019.08.062。

沈,Z.-H等。(2018)阶段优先领域模型灵活的高温度电热崩溃的纳米复合材料在极端条件下,先进能源材料欧洲杯足球竞彩。8(20),页1800509。doi.org/10.1002/aenm.201800509。

朱,m . X。等。(2020)阶段检测领域建模电动列车在交流电压下聚合物热击穿。IEEE电介质和电气绝缘,27(4),1128 - 1135页。doi.org/10.1109/TDEI.2020.008717。

罗伊,s . L。等。(2006)使用流体模型描述电荷传输的聚乙烯恒定流动:拟合模型和实验。物理D应用物理杂志》上,39,1427 - 1436页。doi.org/10.1088/0022-3727/39/7/014。

陈,J。等。高分层区域(2020)空间电荷动力学在双极性反转电压下绝缘电缆。IEEE电介质和电气绝缘,27(2),622 - 630页。doi.org/10.1109/TDEI.2019.008457。

沈、z . H。等。(2021)设计聚合物纳米复合材料具有高的能量密度使用机器学习。npj计算材料欧洲杯足球竞彩,7,p . 110。doi.org/10.1038/s41524 - 021 - 00578 - 6。

荣,Q。等。(2019)预测复合材料的有效热导率从横截面图像使用深度学习的方法。复合材料科学与技术欧洲杯线上买球,184年(10),p.107861。doi.org/10.1016/j.compscitech.2019.107861。

李,S。等。(2019)理解nanodielectrics绝缘失败:裁剪载波能量。高电压,5(6),643 - 649。doi.org/10.1049/hve.2019.0122。

黄,Y。,等。(2017)预测纳米复合材料的击穿强度和终身使用多尺度建模方法。应用物理杂志,122年,p . 065101。doi.org/10.1063/1.4997720。

范Krevelen D (2009)聚合物的性质:与化学结构的关系;加法群贡献的数值估计和预测。爱思唯尔的科学。欧洲杯线上买球

Bicerano J (2002)预测聚合物性质。CRC出版社。

Bhowmik, R。等。(2021)预测聚合物从比热的实验数据和机器学习方法。聚合物,220年,p . 123558。doi.org/10.1016/j.polymer.2021.123558。

金,C。等。(2018)聚合物基因:一个数据驱动属性预测聚合物信息平台。物理化学学报C,122年,17575 - 17585页。doi.org/10.1021/acs.jpcc.8b02913。

陈,D。等。(2018)设计无序hyperuniform两相材料和新颖的物理性质。欧洲杯足球竞彩Acta Materialia,142年,152 - 161页doi.org/10.1016/j.actamat.2017.09.053。

威宁D(1988)微笑,化学语言和信息系统。1。介绍方法和编码规则。《化学信息和建模,28(1)31-36页。doi.org/10.1021/ci00057a005。

威宁D(1989)微笑。2。算法生成独特的微笑的符号。《化学信息和建模,29日,97 - 101页。doi.org/10.1021/ci00062a008。

林,t·S。等。(2019)BigSMILES:一个结构描述高分子线符号为基础。ACS中央科学欧洲杯线上买球,5,1523 - 1531页。

燕,C。等。机器学习(2020)协助新发现的热固性形状记忆聚合物基于训练数据集。聚合物,214年,p . 123351。doi.org/10.1016/j.polymer.2020.123351。

罗杰斯,D &哈恩,M (2010)。扩展连接指纹。《化学信息和建模,50(5),742 - 754页。

cheminformatics Rdkit(2012)开源工具包。可以在:https://www.rdkit.org/(2021年10月10日通过)。

Fetanat, M。等。机器学习(2021)纳米复合材料设计先进的超滤膜。工业化学与工程化学研究,60,5236 - 5250页。doi.org/10.1021/acs.iecr.0c05446。

徐、H。等。基于地理(2014)描述符为开发异构材料显微结构的系统设计方法。欧洲杯足球竞彩《机械设计,136年,第051007页doi.org/10.1115/1.4026649。

魏、H。等。(2018)预测复合材料的有效热导率和多孔介质通过机器学习的方法。欧洲杯足球竞彩国际期刊的传热传质,127年,908 - 916页。doi.org/10.1016/j.ijheatmasstransfer.2018.08.082。

杨、Z。等。(2018)深度学习方法高房地产联系高对比度区域矿业结构复合材料从模拟数据集。欧洲杯足球竞彩材料科学、欧洲杯线上买球151年,278 - 287页。doi.org/10.1016/j.ijheatmasstransfer.2018.08.082。

美国l . S。等。(2020)一个角度数据驱动设计的聚合物nanodielectrics。物理学学报D辑:应用物理,53,p . 333001。doi.org/10.1088/1361-6463/ab8b01。

娇,Y。,等。(2009)优越的随机纹理描述符及其预测能力。美国国家科学院院刊》上欧洲杯线上买球,106年(42),页17634 - 17639doi.org/10.1073/pnas.0905919106。

也许,S。等。(1988)两点集群函数连续介质渗流。的化学物理学报,88年(10),页6540 - 6547。doi.org/10.1063/1.454440。

U.F Ghumman,等。(2018)的谱密度函数方法活跃层有机光伏电池的设计。《机械设计,140年,p . 111408。doi.org/10.1115/1.4040912。

陈,等。机器学习(2020):加速材料的发展对能源存储与转换。欧洲杯足球竞彩InfoMat,2,553 - 576页。doi.org/10.1002/inf2.12094。

周,Z。等。(2021)《材料化学和材料的进步编欧洲杯足球竞彩辑器的选择web集合:机器学习材料的创新。欧洲杯足球竞彩材料化学,9,1295 - 1296页。doi.org/10.1039/D0MA90054K。

波沙,b, E。等。(1992)训练算法最优分类器。:Haussler d (Ed)。《第五届研讨会上计算学习理论(柯尔特92),匹兹堡,144 - 152页。ACM出版社,纽约。

咦,Y。,等。(2021)间隔支持向量回归使机器学习高吞吐量预测聚合物电介质的介电常数。应用物理快报,118年,p.223901。doi.org/10.1063/5.0046854。

Deisenroth, M P & Ng J W(2015)分布的高斯过程。布莱:巴赫,F & D (Eds)ICML 15诉讼的32^nd国际会议上机器学习7月,卷。37,1481 - 1490页。

金,C。等。(2019)积极学习和材料设计:高聚合物玻璃化转变温度欧洲杯足球竞彩的例子。夫人通信,9(3),860 - 866页。doi.org/10.1557/mrc.2019.78。

智利的,,等。(2020)一个多人富达信息融合方法,机器学习和预测聚合物能带隙。计算材料科学欧洲杯足球竞彩欧洲杯线上买球,171年,第109286页doi.org/10.1016/j.commatsci.2019.109286。

昆兰,J(1987)简化决策树。国际人机研究杂志》上,27,221 - 234页。doi.org/10.1016/s0020 - 7373 (87) 80053 - 6。

Breiman L(2001)随机森林。机器学习,455-32页。

梁,J。等。地理地理(2021)机器学习辅助低介电常数聚合物的发现。欧洲杯足球竞彩材料化学前沿,5,3823 - 3829页。doi.org/10.1039/D0QM01093F。

Mannodi高Kanakkithodi。,等。(2016)回归的关键评估基于机器学习方法聚合物电介质。计算材料科学欧洲杯足球竞彩欧洲杯线上买球,125年,123 - 135页。doi.org/10.1016/j.commatsci.2016.08.039。

吴作栋,g . B。等。(2017)深计算化学的学习。计算化学杂志,38(16),1291 - 1307。doi.org/10.1002/jcc.24764。

杨、H。等。(2018)机器学习和人工神经网络预测石墨烯之间的界面热阻和六角氮化硼。纳米级,10,19092 - 19099页。doi.org/10.1039/C8NR05703F。

Nazarova, a . L。等。(2021)介电聚合物性质使用递归神经网络预测与优化。《化学信息和建模,61年,2175 - 2186页。doi.org/10.1021/acs.jcim.0c01366。

LeCun (Y。等。(2019)深度学习。自然,521年,436 - 444。doi.org/10.1038/nature14539。

Agrawal, &超(2019)深材料信息学:深度学习在材料科学中的应用。欧洲杯足球竞彩欧洲杯线上买球夫人通信,9,779 - 792页。doi.org/10.1557/mrc.2019.73。

Chandrasekaran、。等。(2020)深度学习solvent-selection范式由大量聚合物的溶剂/非溶剂数据库。大分子,53(12),页4764 - 4769。doi.org/10.1021/acs.macromol.0c00251。

陈,G。,等。(2021)预测聚合物的玻璃化转变温度的化学语言处理模型。聚合物,13,p . 1898。doi.org/10.3390/polym13111898。

盾,Y。,等。(2019)隙预测的深度学习在构型上杂化的石墨烯和氮化硼。npj计算材料欧洲杯足球竞彩,5,26页。doi.org/10.1038/s41524 - 019 - 0165 - 4。

金,C。等。(2021)聚合物设计使用遗传算法和机器学习。计算材料科学欧洲杯足球竞彩欧洲杯线上买球,186年,p . 110067。doi.org/10.1016/j.commatsci.2020.110067。

Kumar j . N。等。机器学习(2019)使聚合物浊点通过逆工程设计。npj计算材料欧洲杯足球竞彩,5,p . 73。doi.org/10.1038/s41524 - 019 - 0209 - 9。

巴特拉,R。等。(2020)聚合物使用syntax-directed变分autoencoders极端条件下设计的。化学材料欧洲杯足球竞彩,32,10489 - 10500页。doi.org/10.1021/acs.chemmater.0c03332。

Balachandran, p V。等。材料设计(2016)自适应策略使用的不确定性。欧洲杯足球竞彩科学报告,6,p . 19660。doi.org/10.1038/srep19660。

詹宁斯p C。等。(2019)计算材料发现加速遗传算法的机器学习。欧洲杯足球竞彩npj计算材料欧洲杯足球竞彩,5,46页。doi.org/10.1038/s41524 - 019 - 0181 - 4。

魏、H。等。(2020)基因由发现意想不到的热导率提高的障碍。纳米能量,71年,p . 104619。doi.org/10.1016/j.nanoen.2020.104619。

Kingma D P &威灵电机M (2013) Auto-encoding变分贝叶斯。arXiv: 1312.6114 v10 [stat.ML]。

Kusner, m . J。等。(2017)语法变分autoencoder。arXiv: 1703.01925 (stat.ML)。

戴,H。等。(2018)Syntax-directed变分autoencoder结构化数据。arXiv: 1802.08786 (cs.LG)。

Arjovsky, M。等。(2017)甘瓦瑟斯坦。arXiv: 1701.07875 (stat.ML)。

Hjelm, r·D。等。(2017)Boundary-seeking生成对抗的网络。arXiv: 1702.08431 (stat.ML)。

Santosa F &•赛姆思,W W(1986)限带反射震动图的线性反演。暹罗在科学杂志和统计计算,7,1307 - 1330页。doi.org/10.1137/0907087。

Tibshirani R(1996)通过套索回归收缩和选择。皇家统计学会杂志》:系列B(方法论),58,267 - 288页。doi.org/10.1111/j.2517-6161.1996.tb02080.x。

金,C。等。(2016)从组织的高通量数据现象学理论使用机器学习:介质击穿的例子。化学材料欧洲杯足球竞彩,28,1304 - 1311页。doi.org/10.1021/acs.chemmater.5b04109。

欧阳,R。等。(2018)SISSO: compressed-sensing方法确定最佳的低维描述符在一个巨大的提供候选人。物理评论材料欧洲杯足球竞彩,2,p . 083802。doi.org/10.1103/PhysRev欧洲杯足球竞彩Materials.2.083802。

•马托斯c·r·S。等。(2007)主成分分析的x射线衍射模式产生氢氧镁石粒子的形态分类。欧洲杯猜球平台分析化学,79年,2091 - 2095页。doi.org/10.1021/ac061991n。

徐,P。等。机器学习(2021)辅助设计的聚合物有针对性的基于DFT计算的带隙。物理化学学报B,125年,601 - 611页。doi.org/10.1021/acs.jpcb.0c08674。

Umehara, M。等。(2019)分析机器学习模型来加速代基本材料的见解。欧洲杯足球竞彩npj计算材料欧洲杯足球竞彩,5,34页。doi.org/10.1038/s41524 - 019 - 0172 - 5。

Stanev, V。等。(2018)超导临界温度的机器学习模型。npj计算材料欧洲杯足球竞彩,4,29页。doi.org/10.1038/s41524 - 018 - 0085 - 8。

Guidotti, R。等。(2018)的调查方法来解释黑盒模型。arXiv: 1802.01933 v3 [cs.CY]。

Shrikumar、。等。(2019)学习重要特性通过传播活动差异。arXiv: 1704.02685 v2 [cs.CV]。

Lundberg, M & Lee年代(2017)一个统一的方法来解释模型预测。arXiv: 1705.07874 v2 [cs.AI]。

里贝罗,m . T。等。(2016)我为什么要信任你?解释任何分类器的预测。arXiv: 1602.04938 v3 [cs.LG]。