综述研究：在光电子、电池等领域应用机器学习开发下一代功能材料
机器学习(ML)是一种从多维数据中快速有效地生成洞察力的通用技术。它为加速新材料的探索和调查提供了急需的途径，以应对气候变化等时间敏感的全球挑战。近年来，大数据集的可用性使得ML算法能够用于各种应用，包括实验/设备优化和材料发现。
近日，来自多伦多大学的研究人员报道了近年来ML在光电子、电池和电催化等领域材料发现的应用。并概述了这些进展背后的方法。本文还试图总结当前研究方法的一些关键挑战和趋势。
该研究详细介绍了ML的工作方法、参数空间优化，总结了ML在一系列领域的材料发现中的最新应用，从光电子到电池和电催化，以及这些应用背后的方法的概述。
鉴于模拟通常是自然的理想化复制，因此在计算机筛选之外评估拟议的候选非常重要，即通过实验准备材料并评估其功能。
该综述研究以“Applied Machine Learning for Developing Next-Generation Functional Materials”为题，发表在《先进功能材料》（Advanced Functional Materials）上。
前瞻经济学人APP资讯组
论文原文：
https://onlinelibrary.wiley.com/doi/10.1002/adfm.202104195
广告、内容合作请点这里：寻求合作
咨询·服务