人工智能材料學:AI4Materials

潘鋒,李舜寧

  • 人工智能材料學:AI4Materials-preview-1
  • 人工智能材料學:AI4Materials-preview-2
  • 人工智能材料學:AI4Materials-preview-3
  • 人工智能材料學:AI4Materials-preview-4
  • 人工智能材料學:AI4Materials-preview-5
人工智能材料學:AI4Materials-preview-1

相關主題

商品描述

本書系統闡述了人工智能(AI)驅動材料學研究範式的深刻變革。內容貫穿AI賦能材料研發的全鏈條,涵蓋從微觀結構特征提取、性質預測與反向設計,到動態演化模擬、智能表征解析及知識發現等核心環節,並前瞻性展望了“人工智能材料學家”這一終極圖景。全書通過對比“人的研究方式”與“AI的研究方式”,為讀者構建起一個從理論基礎到前沿應用的完整知識體系。

目錄大綱

目錄
序
前言
第1章 材料學及其範式變革 1
1.1 一代材料,一代產業,一個時代 1
1.2 材料學的沿革:從工程到科學 4
1.2.1 材料開發與利用的歷史 5
1.2.2 材料學的發展:科學與工程的融合 7
1.2.3 材料學底座:物質結構與性能的關聯 8
1.2.4 材料學的工程技術:制備與表征 21
1.3 材料學新範式:材料基因與大數據 29
1.3.1 材料學數據庫 30
1.3.2 材料學領域的數據挖掘 31
1.3.3 材料基因科學與工程 33
1.4 材料學新範式:人工智能材料學 36
1.4.1 人工智能概念 37
1.4.2 人工智能在科學領域中的應用 39
1.4.3 人工智能在材料學領域中的應用 47
思維導圖 52
參考文獻 52
第2章 材料微觀描述與特征提取 56
2.1 傳統的材料微觀結構描述方法 56
2.1.1 基於原子位置的描述 57
2.1.2 基於原子間連接關系的描述 60
2.2 用於人工智能的材料微觀結構描述與特征提取 69
2.2.1 特征提取的物理依據與要求 70
2.2.2 基於原子局域環境的結構描述與特征提取 78
2.2.3 基於原子長程有序的結構描述與特征提取 83
2.2.4 基於拓撲數據分析的結構描述與特征提取 90
思維導圖 106
參考文獻 107
第3章 材料性質預測與反向設計 110
3.1 傳統的材料性質預測方法 111
3.1.1 材料性質預測方法的發展歷史 111
3.1.2 基於材料數據庫的高通量篩選 114
3.2 用於材料性質預測的人工智能算法 118
3.2.1 傳統機器學習方法 119
3.2.2 生成算法 120
3.3 人工智能在材料性質預測上取得的進展 123
3.3.1 穩定性預測 124
3.3.2 力學性質預測 126
3.3.3 能帶結構預測 129
3.3.4 拓撲性質預測 132
3.3.5 超導性能預測 134
3.4 挑戰與未來 136
3.4.1 基於大語言模型和知識圖譜的材料性質預測 137
3.4.2 微觀結構、物理規律與人工智能的融合 138
思維導圖 141
參考文獻 141
第4章 材料結構演化與動態研究 144
4.1 材料的微觀結構演化與跨尺度模擬 144
4.1.1 傳統的跨尺度模擬研究方法 145
4.1.2 人工智能輔助材料介觀尺度計算模擬 148
4.2 基於人工智能的材料原子間相互作用勢 149
4.2.1 力場模型構建流程 153
4.2.2 基於對稱函數的力場模型 154
4.2.3 基於核函數的力場模型 156
4.2.4 端對端的力場模型 158
4.2.5 基於大模型預訓練的力場模型 161
4.3 針對離子輸運行為的結構演化模擬 163
4.3.1 離子在溶液中的遷移 164
4.3.2 離子在固體中的遷移 165
4.4 針對材料相變過程的結構演化模擬 167
4.4.1 金屬材料相變 168
4.4.2 離子型晶體材料相變 173
4.4.3 共價型晶體材料相變 175
4.4.4 氫鍵型晶體材料相變 176
4.5 挑戰與未來 177
4.5.1 模型的精度、可靠性和置信度分析 177
4.5.2 特征空間采樣方法 178
4.5.3 數據量與數據質量 178
4.5.4 適應學習和在線更新 179
4.5.5 多模態學習和數據融合 179
4.5.6 模型的魯棒性和泛化能力 180
思維導圖 181
參考文獻 181
第5章 材料結構表征與圖譜解析 183
5.1 材料微觀結構表征技術 183
5.1.1 材料結構的靜態表征技術 185
5.1.2 材料結構的動態表征技術 192
5.1.3 材料結構的跨尺度表征技術 197
5.1.4 材料表征技術中存在的挑戰 201
5.1.5 傳統的材料表征數據解析方法 202
5.1.6 材料解析新範式:人工智能與大數據 203
5.2 基於人工智能的圖譜信息解析 207
5.2.1 X射線衍射圖解析 207
5.2.2 拉曼光譜與紅外光譜解析 215
5.3 基於人工智能的成像信息解析 218
5.3.1 顯微圖像降噪 218
5.3.2 掃描電子顯微鏡圖像解析 219
5.3.3 透射電子顯微鏡圖像解析 220
5.4 挑戰與未來 223
5.4.1 多模態表征及其信息的融合 223
5.4.2 跨尺度表征及其信息的融合 224
5.4.3 原位/工況條件下的結構演化表征 225
思維導圖 226
參考文獻 226
第6章 材料知識發現與智能分析 229
6.1 自然語言處理技術與材料學知識發現 229
6.1.1 詞嵌入模型 230
6.1.2 預訓練語言模型 233
6.1.3 大語言模型 235
6.1.4 深度知識蒸餾 236
6.1.5 知識圖譜 237
6.2 基於詞嵌入技術的材料知識編碼 240
6.2.1 知識嵌入流程 240
6.2.2 語義間的相似性 243
6.2.3 探索材料間的潛在關聯 244
6.3 基於預訓練語言模型的材料知識挖掘 246
6.3.1 材料學領域的預訓練語言模型 246
6.3.2 模型的實體預測能力 249
6.3.3 推薦潛在的高性能材料 251
6.4 基於大模型和知識圖譜的材料知識生成 253
6.4.1 材料學領域大模型 253
6.4.2 隱性知識獲取與多模態知識融合 255
6.4.3 化學反應與材料合成路徑的推理預測 258
6.4.4 基於材料知識圖譜的新材料開發 260
6.5 挑戰與未來 263
6.5.1 語言模型的推理與預測能力 263
6.5.2 結構數據與科學文獻的多模態知識圖譜 264
6.5.3 即時調優與可控生成 264
思維導圖 265
參考文獻 265
第7章 人工智能材料學家 268
7.1 基於人工智能的材料智造 268
7.1.1 機器人材料學家 269
7.1.2 數字孿生 276
7.2 各環節高度協同的人工智能材料學家 278
7.2.1 基於數據的預測與決策 278
7.2.2 人工智能輔助的高效高精度實驗操作 282
7.2.3 全流程參數優化 286
7.3 挑戰與未來 287
思維導圖 288
參考文獻 288