香港城大赵仕俊团队总述：机器学习办法在高熵陶瓷资料的运用！

　　传统陶瓷因其易于制作，是人类最早运用的资料之一，其间碳化物、硼化物和氮化物现已被广泛运用于金属切开和热电保护层等。现代社会对新式陶瓷资料提出了更高的要求，例如，下一代核能技能的执役条件将更为严苛（高温、高压和强辐照），用于其间的核用陶瓷资料需求能够接受这些极点环境。为了到达新式技能对陶瓷资料更高的要求，研究者不只需求优化传统陶瓷资料，更需求提出全新的资料规划办法。为此，高熵陶瓷资料供给了一个宽广的新资料理性规划渠道。近年来，该类资料受到了学界的广泛重视。但是，假如仅靠传统的试错法，高熵陶瓷背面巨大的相空间将严峻阻止高功能陶瓷资料的开发与探究。为此，研究者能够凭借机器学习这个有力东西加快高熵陶瓷的规划和挑选。

　　近来，香港城市大学赵仕俊团队（通讯作者）总述了机器学习在高熵陶瓷范畴内的运用。作者首要总结了该范畴机器学习的通用流程。然后，文章强调了现阶段数据集发生的困境：缺少高质量数据集。然后，作者要点评论了该范畴机器学习模型的特征工程办法，包含特征挑选与输入特征的预处理，紧接着评论了模型的泛化、解说和搬迁。作者进一步总结了近些年宣布的用于规划高熵陶瓷资料的机器学习模型。最终，作者提出了现阶段高熵陶瓷机器学习模型的应战，并展望了机器学习在该范畴内未来的发展方向。相关内容以“Rational design of high-entropy ceramics based on machine learning – A critical review”为题宣布在闻名期刊《Current Opinion in Solid State & Materials Science》。

　　高熵陶瓷机器学习流程首要包含数据集搜集、特征工程、模型练习与挑选、模型布置、试验验证和数据集弥补。若运用非经历输入特征，可越过特征工程过程。

　　高熵陶瓷描述符（特征）能够依据其获取的难易程度分为三类。第一类为非经历特征，如独热码。该类特征不包含陶瓷资料的物理特性。第二类为原子/前驱体特征。该类特征不需求额定的试验与模仿即可获取，但包含必定的物理含义。第三类为经过试验或模仿取得的特征信息。该类特征本钱昂扬，不适合用来作为输入，而能够用来作为模型的输出。

　　EFA值越大，阐明不同构型的准基态能量越附近，系统越简单到达不同构型。因而，系统中的原子排布越趋向于随机。

　　关于非高熵系统（金属元素品种低于三），陶瓷资料的价电子浓度与资料的各项功能高度相关。如弹性常数、硬度和G/B比值均随VEC的添加而下降。

　　图 5 五折穿插验证、过拟合和模型高精度预 测区域（模型舒适区）的示意图。

　　因为缺少高质量数据库，已宣布文章运用的数据集一般比较小。在这种情况下，数据集切割可能对模型的练习及猜测发生比较显著的影响。为此，现有高熵陶瓷机器学习往往选用穿插验证的办法练习模型。在练习过程中，练习丢失将跟着迭代轮数的添加而下降，而验证丢失一般高于练习丢失。二者之间的差值是由过拟合导致的。因为数据集在相空间中的散布不均一，模型对各个组分的重视程度也不同。因而，练习好的模型往往存在一个“舒适区”，在“舒适区”内，模型体现杰出；而在该区域外，应当审慎地了解模型猜测成果。

　　树立高质量同享数据库、 无监督学习、 多功能机器学习模型、 机器学习逆向规划、 可解说机器学习模型、 机器学习结合的高通量试验。

　　论文通讯作者赵仕俊团队长时间接收核算资料和机器学习方向的博士生，欢迎优秀学生联络 赵老师主页：

　　特别声明：以上内容(如有图片或视频亦包含在内)为自媒体渠道“网易号”用户上传并发布，本渠道仅供给信息存储服务。

　　成都环城绿道事端目击者称：逆行者时速估量20公里每小时，女青年被撞飞两三米远

　　中国银行首席研究员宗良：人民币是负责任的钱银，估计2023年人民币汇率稳步上升

　　花费130亿美元出资OpenAI，能给微软带来什么？潜力很大，不确定性也许多

　　抢先曝光！苹果iOS17或将筛选iPhone 8/8Plus和X等机型

　　iPhone 15 Pro Max估计价格2万块：用上钛合金、潜望长焦 你觉得值吗？