基于机器学习的负热膨胀研究进展

摘要

在材料基因工程的背景下,基于数据驱动的机器学习技术作为一种强大的新型工具,在材料热膨胀性能研究领域受到了广泛关注.机器学习能够绕过复杂的实验过程与理论计算,通过建立描述符与热膨胀性能间的关联,以较低成本快捷地实现材料热膨胀性能的预测,有效弥补了传统实验试错法和基于密度泛函理论的方法存在的时间成本高、效率低等不足.本文简述了机器学习的基本流程与方法,并重点阐述其在材料热膨胀性能研究中的应用进展.传统机器学习领域已实现从热膨胀系数单目标预测到引入特征重要性分析解析机制、结合特征选择优化模型,再到多性能关联多目标预测的逐步深入.在机器学习原子间势方面,研究了通过构建原子尺度势能函数驱动分子动力学模拟,进而揭示热膨胀行为的微观机制.这些应用加速了负热膨胀材料的设计筛选,深化了机理理解.最后,分析了机器学习在材料热膨胀性能研究中亟待解决的问题,并据此展望了未来的研究方向与发展趋势.

关键词

数据驱动的机器学习 / 热膨胀预测 / 负热膨胀材料