想做材料逆向设计?问问人工智能吧

这篇具有很好参考价值的文章主要介绍了想做材料逆向设计?问问人工智能吧。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

高效的晶体结构预测(CSP)是材料科学中的一项重要挑战,其涉及在复杂的构型空间中寻找亚稳态晶体多形体的结构–性质关系。随着AI和机器学习技术的应用,特别是强化学习(RL),在高维搜索空间中的优化过程得以提升效率和准确性,推动了材料设计和发现的新范式。这些方法不仅加速了全局最优解的发现,还有助于探索和利用局部最小值,为材料创新提供更广阔的可能性。

想做材料逆向设计?问问人工智能吧,science,理论计算,NATURE,云计算

Fig. 1 Schematic illustration of the nature of the search space (discrete vs. continuous) in materials applications.


阿贡国家实验室纳米材料中心的Subramanian K. R. S. Sankaranarayanan教授及其团队开发的CASTING,是一个针对高维搜索空间内约束满足问题(CSP)的工作流程,它采用了基于连续动作空间树的强化学习(RL)搜索算法。

想做材料逆向设计?问问人工智能吧,science,理论计算,NATURE,云计算

Fig. 2 MCTS working as crystal structure optimizer.


该研究团队对蒙特卡洛树搜索(MCTS)算法进行了关键的算法改进,使其能够成功地应用于与结构和拓扑预测相关的连续搜索空间逆问题。

想做材料逆向设计?问问人工智能吧,science,理论计算,NATURE,云计算

Fig. 3 Schematic depicting the workflow of the CASTING framework for performing inverse design.


通过对CASTING框架的效能进行展示,此项工作将该技术应用于各种代表性系统,包括单一成分的金属系统如银(Ag)和金(Au)、共价系统如碳(C)、二元系统如氮化硼(h-BN)和碳氢化合物(C-H),以及多组分钙钛矿系统如掺杂的镍铌氧化物(NNO)。

想做材料逆向设计?问问人工智能吧,science,理论计算,NATURE,云计算

Fig. 4 Exploring the performance and scalability of CASTING framework using an example metal polymorph.


此外,研究还采用了多目标优化策略,对超硬碳相进行逆向设计。研究显示,CASTING在处理复杂材料科学问题上显示出良好的扩展性、采样准确度以及快速的收敛能力。

想做材料逆向设计?问问人工智能吧,science,理论计算,NATURE,云计算

Fig. 5 Effect of tree hyperparameter on the sampling, convergence, and solution quality of Ag polymorphs.


同时,还对不同的强化学习超参数如何影响搜索性能进行了深入探讨。CASTING也被用于在不同维度系统中采样稳定和亚稳态的多态性,涵盖从三维(块体)到低维系统如零维(团簇)和二维(片层)。

想做材料逆向设计?问问人工智能吧,science,理论计算,NATURE,云计算

Fig. 6 Comparison of structure prediction for carbon polymorphs with an empirical potential model.


与其他元启发式搜索算法进行比较时,如遗传算法、盆地跳跃和随机抽样,MCTS在解决方案的质量和收敛速度方面显示出了明显的优势。这项技术被认为特别适合于解决那些具有多重目标、多种组分和多维度的复杂搜索问题。

想做材料逆向设计?问问人工智能吧,science,理论计算,NATURE,云计算

Fig. 7 Structural diversity of sampled Carbon(C) polymorphs using CASTING.


整体上,该研究成功地证明了强化学习技术如MCTS在结构和拓扑预测的逆向材料设计和发现问题中的应用潜力。该文近期发表于npj Computational Materials 9: 177 (2023).

想做材料逆向设计?问问人工智能吧,science,理论计算,NATURE,云计算

Fig. 8 Convergence with size-dependent diversity in nanoclusters of Gold (Au).


Editorial Summary

To reverse design of materials? Please ask the AIEfficient crystal structure prediction (CSP) is a key challenge in materials science, which involves finding structure-property relationships for substable crystalline polymorphs in a complex configuration space. With the application of AI and machine learning techniques, especially reinforcement learning (RL), the optimization process in high-dimensional search spaces has been able to improve efficiency and accuracy, driving a new paradigm in materials design and discovery. These methods not only accelerate the discovery of globally optimal solutions, but also help to explore and utilize local minima, providing broader possibilities for materials innovation. 想做材料逆向设计?问问人工智能吧,science,理论计算,NATURE,云计算

Fig. 9 Exploring 2D polymorphs with CASTING.

A team lead by Prof. Subramanian K. R. S. Sankaranarayanan from Center for Nanoscale Materials, Argonne National Laboratory, introduced CASTING which is a workflow that implements a continuous action space tree-based RL search algorithm for CSP in a high-dimensional search space. 想做材料逆向设计?问问人工智能吧,science,理论计算,NATURE,云计算

Fig. 10 Comparison of the performance of CASTING with commonly used optimizers in crystal structure prediction. 

The authors discuss the important algorithmic modifications that are needed in the MCTS to successfully apply it to continuous search space inverse problems associated with structure and topology predictions. To showcase the efficacy of the CASTING framework, the authors apply CASTING to a wide range of representative systems—single-component metallic systems such as Ag and Au, covalent systems such as C, binary systems such as h-BN and C-H, and multicomponent perovskite systems such as doped NNO. 

想做材料逆向设计?问问人工智能吧,science,理论计算,NATURE,云计算

Fig. 11 Exploration of the configurational space of hydrogen doped Neodymium Nickel Oxide (NNO) with CASTING framework.


Additionally, the authors perform the inverse design of super-hard carbon phases using multi-objective optimization. The authors demonstrate the scalability, accuracy of sampling, and speed of convergence of CASTING on complex material science problems. The authors discuss the impact of the various RL hyperparameters on search performance. CASTING is also deployed to sample stable and metastable polymorphs across systems with dimensionality ranging from 3D (bulk) to low dimensional systems such as 0D (clusters) and 2D (sheets). Comparisons to other metaheuristic search algorithms such as genetic algorithms, basin hopping, and random sampling are also shown—the MCTS is demonstrated to have a superior performance in terms of the solution quality and the speed of convergence. 

想做材料逆向设计?问问人工智能吧,science,理论计算,NATURE,云计算

Fig. 12 Inverse design of super hard phases of Carbon (C).

The authors expect MCTS to perform well, especially for complex search landscape with multiple objectives, multiple species, and multi-dimensional systems. Overall, the authors successfully demonstrate the development and application of an RL techniques such as MCTS for inverse materials design and discovery problems related to structure and topology predictions. This article was recently published in npj Computational Materials 9: 177 (2023).

原文Abstract及其翻译

A Continuous Action Space Tree search for INverse desiGn (CASTING) framework for materials discovery(连续动作空间树搜索用于材料发现的逆向设计(CASTING)框架)

Suvo Banik, Troy Loefller, Sukriti Manna, Henry Chan, Srilok Srinivasan, Pierre Darancet, Alexander Hexemer & Subramanian K. R. S. Sankaranarayanan 


Abstract 

Material properties share an intrinsic relationship with their structural attributes, making inverse design approaches crucial for discovering new materials with desired functionalities. Reinforcement Learning (RL) approaches are emerging as powerful inverse design tools, often functioning in discrete action spaces. This constrains their application in materials design problems, which involve continuous search spaces. Here, we introduce an RL-based framework CASTING (Continuous Action Space Tree Search for inverse design), that employs a decision tree-based Monte Carlo Tree Search (MCTS) algorithm with continuous space adaptation through modified policies and sampling. Using representative examples like Silver (Ag) for metals, Carbon (C) for covalent systems, and multicomponent systems such as graphane, boron nitride, and complex correlated oxides, we showcase its accuracy, convergence speed, and scalability in materials discovery and design. Furthermore, with the inverse design of super-hard Carbon phases, we demonstrate CASTING’s utility in discovering metastable phases tailored to user-defined target properties and preferences.

摘要

材料的性能与其结构特征息息相关,这种关联性促使逆向设计成为寻找具备特定功能新材料的关键手段。最近,强化学习(RL)方法作为逆向设计的强有力工具慢慢崭露头角,通常这些方法在离散的动作空间内发挥作用。然而,这种做法限制了它们在材料设计中的应用,因为这通常涉及到连续的搜索空间。在此,我们介绍一个基于RL的新框架——CASTING(连续动作空间树搜索逆向设计),它采用了一种基于决策树的蒙特卡洛树搜索(MCTS)算法,并且经过策略调整和采样改良,使其适应连续空间。我们通过一系列代表性案例,如金属中的银(Ag)、共价体系中的碳(C)、以及复合材料系统,例如石墨烯、氮化硼和复杂的相关氧化物,来展现CASTING框架在材料发现和设计中的高准确度、快速收敛性和良好的扩展性。此外,通过针对超硬碳相材料的逆向设计实例,我们证明了CASTING在探索符合用户指定目标性能和偏好的亚稳态材料方面的实用价值和有效性。文章来源地址https://www.toymoban.com/news/detail-833566.html

到了这里,关于想做材料逆向设计?问问人工智能吧的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【AI+材料】JPCL:深度生成式模型逆向设计超导材料

    自1911年Onnes发现超导后,寻找具有高临界温度(Tc)的新型超导材料一直是材料科学和凝聚态物理学研究的热点。在高成本的实验研究之前,已经有系统的计算工作来确定具有高Tc的Bardeen-Cooper-Schrieffer(BCS)超导体。 然而,由于计算和实验的成本问题,寻找具有高临界温度(

    2024年02月20日
    浏览(34)
  • 人工智能与人类互动:如何设计一个好的人工智能交互界面?

    作者:禅与计算机程序设计艺术 引言 人工智能(AI)正在改变我们的生活和各行各业。随着 AI 技术的不断发展,越来越多的人开始关注人工智能与人类互动的设计问题。一个好的人工智能交互界面对于用户体验、应用效果以及 AI 的利用率都具有重要意义。在这篇文章中,我

    2024年02月09日
    浏览(64)
  • 基于人工智能的智能教育系统设计与实现 毕业设计开题报告

     博主介绍 :《Vue.js入门与商城开发实战》《微信小程序商城开发》图书作者,CSDN博客专家,在线教育专家,CSDN钻石讲师;专注大学生毕业设计教育和辅导。 所有项目都配有从入门到精通的基础知识视频课程,免费 项目配有对应开发文档、开题报告、任务书、PPT、论文模版

    2024年02月05日
    浏览(49)
  • 将设计思维应用于人工智能

    选择正确的项目管理方法对于您的项目开发至关重要。它将帮助您避免错误,加速整个过程,并支持发现目标群体的问题。只有在深入了解目标群体的需求后,您才能制定解决他们问题的解决方案。 人工智能正在成为我们生活中更大、更重要的一部分。基于人工智能的产品和

    2024年02月01日
    浏览(34)
  • 人工智能交互系统界面设计(Tkinter界面设计)

    在现代信息化时代,图形化用户界面(Graphical User Interface, GUI)已经成为各种软件应用和设备交互的主流方式,与传统的命令行界面(CLI)相比,GUI 具有直观性、易用性、交互性、可视化和多任务处理等优势。设计良好的用户交互界面可以让用户以更加直观、友好的方式与计

    2024年01月16日
    浏览(44)
  • 基于Springboot+百度AI人工智能图像图片智能处理系统设计与实现

    基于Springboot+百度AI人工智能图像图片智能处理系统设计与实现  博主介绍: 《Vue.js入门与商城开发实战》《微信小程序商城开发》图书作者,CSDN博客专家,在线教育专家,CSDN钻石讲师;专注大学生毕业设计教育和辅导。 所有项目都配有从入门到精通的基础知识视频课程,

    2024年02月05日
    浏览(61)
  • 人工智能课程设计毕业设计——基于机器学习的贷款违约预测

    摘  要 随着人们对于贷款的需求量不断增加以及我国债券市场和信贷市场违约事件频发,商业银行不良资产率与用户个人贷款违约风险成为了政府和银行业关心的核心问题,而对信用贷款违约风险进行有效评估和测度也成为了商业银行提高其经营管理水平的核心要务。 本小

    2024年04月16日
    浏览(64)
  • 数据驱动的人工智能:从算法设计到实践部署

    人工智能(Artificial Intelligence, AI)是一门研究如何让机器具有智能行为的学科。数据驱动的人工智能(Data-Driven AI)是一种通过大量数据来训练和优化机器学习模型的方法。这种方法的核心思想是通过大量数据来驱动机器学习模型的训练和优化,从而使其具备更好的性能和准确性。

    2024年02月22日
    浏览(42)
  • CollovGPT——人工智能工具颠覆传统室内设计行业

    作为线上室内设计领先的平台,Collov一直致力于使用先进的技术重新定义「室内设计」: 让室内设计不再是一种奢侈品,而是每一个人都可以享受的生活体验。 经过两年的迭代和开发,我们现在正式上线 CollovGPT — 一款基于Stable Diffusion(扩散模型)和GNN(图神经网络)技术

    2024年02月12日
    浏览(35)
  • 人工智能课程设计毕业设计——基于机器学习的手写汉字识别系统

    《机器学习》课程设计实验 报告 题目:基于深度学习的手写汉字识别系统 目录 基于深度学习的手写汉字识别系统实验报告 1. 绪论 ............................................................................................................................................................ 1 1.1 研究背景及意义..

    2024年02月20日
    浏览(65)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包