演讲者

阿南德·钱德拉塞卡兰
高级科学家

摘要

材料创新的研发周期长期以来受益于基于物理理论 （模拟 ）引擎（如量子力学(QM) 和分子动力学 (MD) ）的应用，这些引擎有助于降低发现适用于广泛应用领域和行业的材料的新型化学性质、结构、形态和组成的成本。在过去几年中，随着计算能力的提升以及构建大型材料性质数据集的兴趣日益浓厚，材料信息学和基于人工智能的方法在材料科学领域得到了越来越广泛的应用。 然而，此类方法对数据需求极高，且存在无法超出训练模型化学空间 进行外推的局限。在本场网络研讨会中，我们将通过多个案例研究证明，准确性与计算复杂性之间的权衡先导化合物 ，促使基于物理理论 建模与机器学习（ML） 方法形成自然的协同效应，并展示即使在缺乏大规模数据集的情况下，这些方法仍能成功应用。通过结合最新的基于物理理论 和数据驱动方法，可在广阔的化学设计空间内快速评估材料设计的决策过程。 我们将通过近期若干案例研究（包括有机电子 、航空航天、汽车以及半导体 行业）来演示这一理念。将运用主动学习、遗传算法优化 以及深度神经网络等先进的机器学习（ML） 技术，展示如何在几乎不存在用户偏见的情况下，预测蒸气压、电子结构、化学稳定性、光学特性及热机械性能等关键材料性能。