摘要：基于区块链、数字水印以及密封递价拍卖的组合竞拍算法,设计并实现了一套数据版权保护与组合竞拍系统.首先,采用去中心化的区块链技术,结合智能合约来存储数据版权的上链记录、版权交易记录等,通过共识机制使得网络中的各个节点在互不信任的情况下达成共识,提升了版权管理系统的公信力.其次,数字水印作为一种特殊的编码,能够将水印信息隐藏在数据中,通过验证水印信息就可甄别版权归属.结果表明,所设计的数字水印模块对原始数据大小增加很少,且可高效地实现数字水印的嵌入和提取.最后,设计了一种组合竞拍算法来自动化地为版权拥有者挑选出最优的出价组合,实现数据版权的价值交换.

摘要：材料数据具有多源、异构、高维等特点,收集纷繁复杂的材料数据,建立材料基因工程专用数据库,是实现数据驱动的新材料研发的基础.以材料数据的规范化表示、机器学习建模及模型跨域部署、材料数据隐私保护下的机器学习、利用知识图谱从材料数据库到知识库等材料基因专用数据库的若干核心技术为基础,介绍了材料基因数据库平台的系统架构及实现、平台超算部署及运行.最后以反钙钛矿负膨胀材料为例,介绍了材料基因工程数据库平台从数据归档到机器学习建模,再到逆向设计,以及最终实验验证的整个流程.

摘要：采用数据驱动的方法对SiCp(0.5CNT)/7075Al铝基复合材料的化学成分以及制备工艺进行了分析,针对抗拉强度和延伸率两个力学性能进行了特征重要性分析,构建了包含8种机器学习算法的集成框架,自动进行模型的参数调优和最优模型选择,并在此基础上进行了材料逆向设计.实验结果表明,在470℃固溶40 min,120℃时效15 h的热处理工艺下,SiCp(0.5CNT)/7075Al-1.0Mg复合材料抗拉强度和延伸率的预测值为617.48 MPa和2.98%,实验值为647.0 MPa和3.31%,两项物理性能的平均绝对百分比误差(mean absolute percentage errors,MAPE)较小,依次为4.56%和9.97%.这说明本数据驱动方法对铝基复合材料的工艺优化和性能提升有一定指导意义.

摘要：小样本分散数据上的回归对建模有一定挑战,利用高斯过程对其回归进行建模,即采用极大似然估计进行核函数的超参数学习,通过后验来计算回归结果并预测出目标函数的均值和方差.在此基础上结合方差的多目标优化,在进行材料逆向设计的同时能对设计结果的不确定性进行估计.对1215MS非调质钢和三点弯混凝土数据集进行了实验验证.实验结果表明,对于三点弯混凝土平均有50%实验数据落在预测的95%置信区间内,高斯过程回归(Gaussian process regression,GPR)模型可以较好地度量分散小样本数据的不确定性,进行合理预测.对于1215MS非调质钢数据集,在高斯过程回归模型的基础上,运用带精英策略的非支配遗传算法(elitist non-dominated sorting genetic algorithm,NSGA-Ⅱ)进行多目标优化,将材料的力学性能以及所对应的方差作为优化目标,在考虑最优力学性能的同时兼顾不确定因素对实验结果的影响,得到最优帕累托解集,以此作为下次实验的候选点,辅助材料设计和制备优化.