摘要：功能梯度材料作为一类新型复合材料在航空航天、生物医疗等多个先进领域中存在巨大的应用价值,但其在设计与制备的过程中所存在的多维复杂问题制约着其快速发展。大数据驱动的人工智能技术的快速崛起促使传统研发模式向数字化研发转型,数字化研发技术可应对功能梯度材料设计与制备中的复杂问题、不确定性问题,并可大幅提升产品质量、生产效率和降低成本,快速推动着功能梯度材料在多个先进领域中的发展。本文聚焦近年来机器学习技术应用于功能梯度材料领域中的研究现状,并总结了融合不同优化方法解决在功能梯度材料设计与制备中的复杂问题,包含对不同维度变化的材料组分信息的准确反演;对功能梯度材料零件的固有属性、微观结构、材料特征、服役性能进行预测与评价;根据单一或多目标确定与优化材料组分信息以及制备工艺过程参数;以及基于数据驱动方法建立带解释的智能数据库,为获取具有更优良性能的功能梯度材料提供新的设计思路。最后,本文总结了机器学习技术在功能梯度材料设计与制备领域中所存在的主要挑战与发展机遇。

摘要：从行为组织学开创了光子计算的先河以来,基于人工智能的光学计算已经发展了七十多年,这一历程对超快光子学的智能化研究产生了重要影响。近年来,因超短脉冲非线性多维相互作用的复杂化,让超快光子学方向的研究产生了巨大的发展潜力。智能超快光子学的研究,为超短脉冲数据的完整、准确和有代表性提供了新的推动力量。在这里,我们回顾了机器学习策略下超短脉冲光纤激光系统的最新进展。通过算法和控制元件两方面的设计,进一步概述了满足这些进展所需的技术条件。并对机器学习与超快光子学这一新兴交叉技术所存在的挑战与未来研究前景做出展望。

摘要：新型有机分子一直是有机化学领域的研究重点,其在开发高性能材料方面具有重要意义.传统的有机分子发现是一个类似于“炒菜”的试错过程,它耗时耗能且效率相对低下.常见的量子化学方法试图根据期望属性值筛选出合理的分子结构,以更好地指导实验,然而,由于计算资源相对于算法复杂度严重不足,精确给出实验指导在大多数情况下难以实现.近年来机器学习的出现改变了这种情况,训练好的模型可以快速推测出分子的属性.更令人兴奋的是机器学习可以逆向进行分子设计,拓宽人类的想象力,给出其在分子设计领域的“神之一手”.本综述首先介绍了逆向分子设计所必须的分子描述方式,随后对几种常见的深度生成模型加以归纳,对新型有机分子设计研究现状进行了总结,最后探讨了新型有机分子设计所面临的挑战,展示了笔者做出的部分探索.

摘要：新材料的发现是推动现代科学发展与技术革新的源动力之一,是当前促进经济发展与解决环境问题的迫切需求.传统的材料研发基于试错法,效率低且成本高.大量实验与计算模拟产生的数据为新材料的研发提供了新契机.基于这些数据,机器学习最近在材料性能预测、新材料的发现与设计等领域取得了很大进展.譬如基于材料项目(materials project)数据库对钙钛矿材料的统计分类、结合高通量计算对双钙钛矿卤化物材料稳定性的预测,以及金属间化合物电催化剂的设计与筛选等.除了基于隐式模型的预测,机器学习也可以用来发现具有物理可解释性的显式描述符,从而加速新材料的发现.

摘要：[目的]利用机器学习算法对APP广告转化率进行有效预测,提高广告投放效果,更好地开展营销活动。[方法]针对APP广告特性,综合应用梯度提升决策树、随机森林、LightGBM、XGBoost、场感知因子分解机模型、Vowpal Wabbit等机器学习算法构建APP广告转化率预测模型——RF+LXFV,使用腾讯APP广告数据对模型的有效性与精确性进行检验。[结果]通过对比预测结果,在Log-Loss(0.105)和AUC(0.786)两个指标上的表现,发现基于RF+LXFV模型的APP广告转化率预测结果比基于单一机器学习算法的预测结果精确度更高。[局限]未充分考虑广告转化延迟对转化率预测的影响。[结论]RF+LXFV模型是预测APP广告转化率的一种有效方法。

摘要：研发具有高强度、高韧性、耐蠕变、耐热疲劳、可焊性好的无铅焊料合金对现代电子工业的发展具有重要意义.由于强度和塑性之间的内在矛盾关系,提高焊锡合金强度的同时就有可能降低其塑性,导致其韧性降低.同时优化焊料合金两种相互制约的性能,从而实现其综合力学性能的提升具有较大的挑战性.本文针对无铅焊锡合金分别建立了以合金成分和原子参数为特征的两类机器学习模型,通过精度对比,选择以原子特征构建的两个预报精度最高的机器学习模型作为最终的学习器,预测了无铅焊料合金的抗拉强度和断裂延伸率.根据各元素的成分范围和变化步长构造了虚拟样本集,采用特征SHAP值对特征取值进行约束,筛选出候选虚拟样本并进行预报,以强度和塑性的L2范数作为综合力学性能指标,选取在帕累托边界上综合力学性能最高的两个虚拟样本进行实验验证.结果表明通过机器学习设计出的两种合金均实现了综合力学性能的提升.本研究可为复杂合金进行多目标优化设计提供参考.

摘要：声学超材料作为一类新型人工复合结构材料,拥有天然材料所不具备的众多新颖和反常物理特性,为声波的有效控制和精准调控提供了崭新的研究途径和应用机遇。然而,为获得声学超材料的特定结构功能响应,传统设计方法需要在理论推导、数值模拟和试验验证过程中不断反复调整材料参数或结构形态,大幅增加了研究计算成本。机器学习具有强大的非线性拟合能力,能够通过优化算法绕过物理建模过程,直接在参数空间内构建恰当映射关系以达到满足目标功能的目的,为突破传统物理设计策略的高度限制提供了可能性。综述了近几年来机器学习在声学超材料的应用进展。首先,简要概述了声学超材料的基本发展情况和主流机器学习算法的基本原理,然后详细介绍了机器学习在声子晶体、声学超材料和声学超材料拓扑设计中的最新应用研究成果,最后就该领域的研究现状开展了相应讨论和展望。

摘要：通过收集弹簧钢及其他典型淬火+回火型钢铁材料的文献数据,采用面向性能的机器学习设计系统(MLDS)结合实验优化,实现了具备超高强度和良好塑性的新型弹簧钢化学成分及热处理工艺参数的快速设计。所开发的2种新型弹簧钢的抗拉强度分别为2183.5和2193.0 MPa、屈服强度分别为1923.0和2024.5 MPa、断后伸长率分别为10.5%和9.7%、断面收缩率分别为42.4%和41.5%。新型弹簧钢的强化方式以晶界强化和位错强化为主,细小的晶粒尺寸和适量的奥氏体使得弹簧钢在具备超高强度的同时保持良好的塑性。与现有同等强度级别的超高强度钢相比,新型弹簧钢具有显著的成本优势和工艺优势。

摘要：与经验和计算指导的研发模式相比,机器学习辅助的含能分子高通量虚拟筛选技术,在分子设计效率及构效关系定量分析方面都展现出明显优势。鉴于富氮稠环含能化合物较好的能量-稳定平衡特性,研究利用机器学习辅助的高通量虚拟技术对[5,6]富氮稠环类含能分子的化学空间进行了探索研究,基于[5,6]全碳骨架,通过组合枚举和芳香性筛选得到142689个[5,6]稠环类化合物,同时采用核岭回归算法建立并优化了6个含能分子性能预测模型(密度,分解温度,爆速,爆压,撞感和生成焓),分析了稠环上的氮氧原子以及分子上官能团对含能化合物性能的影响。结果发现,所生成稠环化合物的构效关系与含能化合物能量与稳定性相关性的一般规律相符,验证了模型的合理性。以爆速和分解温度作为能量和热稳定性的标准,研究进而筛选获得了5个综合性质较为突出的分子,利用DFT等量子化学计算的结果与本研究模型预测结果符合良好,进一步验证了预测模型的精度。

摘要：一个月前,李安用120帧的《双子杀手》引发了人们对电影技术与内容的讨论;而在营销界,关于技术与创意的交锋同样由来已久。毫无疑问,技术正在重塑广告的生产方式。机器学习能做到的事情越来越多:产生市场洞察、处理数据、策划运营活动、制作视频……越来越多的环节都已被机器取代。