目錄
序
前言
第1章 材料學(xué)及其范式變革 1
1.1 一代材料，一代產(chǎn)業(yè)，一個時代 1
1.2 材料學(xué)的沿革：從工程到科學(xué) 4
1.2.1 材料開發(fā)與利用的歷史 5
1.2.2 材料學(xué)的發(fā)展：科學(xué)與工程的融合 7
1.2.3 材料學(xué)底座：物質(zhì)結(jié)構(gòu)與性能的關(guān)聯(lián) 8
1.2.4 材料學(xué)的工程技術(shù)：制備與表征 21
1.3 材料學(xué)新范式：材料基因與大數(shù)據(jù) 29
1.3.1 材料學(xué)數(shù)據(jù)庫 30
1.3.2 材料學(xué)領(lǐng)域的數(shù)據(jù)挖掘 31
1.3.3 材料基因科學(xué)與工程 33
1.4 材料學(xué)新范式：人工智能材料學(xué) 36
1.4.1 人工智能概念 37
1.4.2 人工智能在科學(xué)領(lǐng)域中的應(yīng)用 39
1.4.3 人工智能在材料學(xué)領(lǐng)域中的應(yīng)用 47
思維導(dǎo)圖 52
參考文獻 52
第2章 材料微觀描述與特征提取 56
2.1 傳統(tǒng)的材料微觀結(jié)構(gòu)描述方法 56
2.1.1 基于原子位置的描述 57
2.1.2 基于原子間連接關(guān)系的描述 60
2.2 用于人工智能的材料微觀結(jié)構(gòu)描述與特征提取 69
2.2.1 特征提取的物理依據(jù)與要求 70
2.2.2 基于原子局域環(huán)境的結(jié)構(gòu)描述與特征提取 78
2.2.3 基于原子長程有序的結(jié)構(gòu)描述與特征提取 83
2.2.4 基于拓?fù)鋽?shù)據(jù)分析的結(jié)構(gòu)描述與特征提取 90
思維導(dǎo)圖 106
參考文獻 107
第3章 材料性質(zhì)預(yù)測與反向設(shè)計 110
3.1 傳統(tǒng)的材料性質(zhì)預(yù)測方法 111
3.1.1 材料性質(zhì)預(yù)測方法的發(fā)展歷史 111
3.1.2 基于材料數(shù)據(jù)庫的高通量篩選 114
3.2 用于材料性質(zhì)預(yù)測的人工智能算法 118
3.2.1 傳統(tǒng)機器學(xué)習(xí)方法 119
3.2.2 生成算法 120
3.3 人工智能在材料性質(zhì)預(yù)測上取得的進展 123
3.3.1 穩(wěn)定性預(yù)測 124
3.3.2 力學(xué)性質(zhì)預(yù)測 126
3.3.3 能帶結(jié)構(gòu)預(yù)測 129
3.3.4 拓?fù)湫再|(zhì)預(yù)測 132
3.3.5 超導(dǎo)性能預(yù)測 134
3.4 挑戰(zhàn)與未來 136
3.4.1 基于大語言模型和知識圖譜的材料性質(zhì)預(yù)測 137
3.4.2 微觀結(jié)構(gòu)、物理規(guī)律與人工智能的融合 138
思維導(dǎo)圖 141
參考文獻 141
第4章 材料結(jié)構(gòu)演化與動態(tài)研究 144
4.1 材料的微觀結(jié)構(gòu)演化與跨尺度模擬 144
4.1.1 傳統(tǒng)的跨尺度模擬研究方法 145
4.1.2 人工智能輔助材料介觀尺度計算模擬 148
4.2 基于人工智能的材料原子間相互作用勢 149
4.2.1 力場模型構(gòu)建流程 153
4.2.2 基于對稱函數(shù)的力場模型 154
4.2.3 基于核函數(shù)的力場模型 156
4.2.4 端對端的力場模型 158
4.2.5 基于大模型預(yù)訓(xùn)練的力場模型 161
4.3 針對離子輸運行為的結(jié)構(gòu)演化模擬 163
4.3.1 離子在溶液中的遷移 164
4.3.2 離子在固體中的遷移 165
4.4 針對材料相變過程的結(jié)構(gòu)演化模擬 167
4.4.1 金屬材料相變 168
4.4.2 離子型晶體材料相變 173
4.4.3 共價型晶體材料相變 175
4.4.4 氫鍵型晶體材料相變 176
4.5 挑戰(zhàn)與未來 177
4.5.1 模型的精度、可靠性和置信度分析 177
4.5.2 特征空間采樣方法 178
4.5.3 數(shù)據(jù)量與數(shù)據(jù)質(zhì)量 178
4.5.4 適應(yīng)學(xué)習(xí)和在線更新 179
4.5.5 多模態(tài)學(xué)習(xí)和數(shù)據(jù)融合 179
4.5.6 模型的魯棒性和泛化能力 180
思維導(dǎo)圖 181
參考文獻 181
第5章 材料結(jié)構(gòu)表征與圖譜解析 183
5.1 材料微觀結(jié)構(gòu)表征技術(shù) 183
5.1.1 材料結(jié)構(gòu)的靜態(tài)表征技術(shù) 185
5.1.2 材料結(jié)構(gòu)的動態(tài)表征技術(shù) 192
5.1.3 材料結(jié)構(gòu)的跨尺度表征技術(shù) 197
5.1.4 材料表征技術(shù)中存在的挑戰(zhàn) 201
5.1.5 傳統(tǒng)的材料表征數(shù)據(jù)解析方法 202
5.1.6 材料解析新范式：人工智能與大數(shù)據(jù) 203
5.2 基于人工智能的圖譜信息解析 207
5.2.1 X射線衍射圖解析 207
5.2.2 拉曼光譜與紅外光譜解析 215
5.3 基于人工智能的成像信息解析 218
5.3.1 顯微圖像降噪 218
5.3.2 掃描電子顯微鏡圖像解析 219
5.3.3 透射電子顯微鏡圖像解析 220
5.4 挑戰(zhàn)與未來 223
5.4.1 多模態(tài)表征及其信息的融合 223
5.4.2 跨尺度表征及其信息的融合 224
5.4.3 原位/工況條件下的結(jié)構(gòu)演化表征 225
思維導(dǎo)圖 226
參考文獻 226
第6章 材料知識發(fā)現(xiàn)與智能分析 229
6.1 自然語言處理技術(shù)與材料學(xué)知識發(fā)現(xiàn) 229
6.1.1 詞嵌入模型 230
6.1.2 預(yù)訓(xùn)練語言模型 233
6.1.3 大語言模型 235
6.1.4 深度知識蒸餾 236
6.1.5 知識圖譜 237
6.2 基于詞嵌入技術(shù)的材料知識編碼 240
6.2.1 知識嵌入流程 240
6.2.2 語義間的相似性 243
6.2.3 探索材料間的潛在關(guān)聯(lián) 244
6.3 基于預(yù)訓(xùn)練語言模型的材料知識挖掘 246
6.3.1 材料學(xué)領(lǐng)域的預(yù)訓(xùn)練語言模型 246
6.3.2 模型的實體預(yù)測能力 249
6.3.3 推薦潛在的高性能材料 251
6.4 基于大模型和知識圖譜的材料知識生成 253
6.4.1 材料學(xué)領(lǐng)域大模型 253
6.4.2 隱性知識獲取與多模態(tài)知識融合 255
6.4.3 化學(xué)反應(yīng)與材料合成路徑的推理預(yù)測 258
6.4.4 基于材料知識圖譜的新材料開發(fā) 260
6.5 挑戰(zhàn)與未來 263
6.5.1 語言模型的推理與預(yù)測能力 263
6.5.2 結(jié)構(gòu)數(shù)據(jù)與科學(xué)文獻的多模態(tài)知識圖譜 264
6.5.3 即時調(diào)優(yōu)與可控生成 264
思維導(dǎo)圖 265
參考文獻 265
第7章 人工智能材料學(xué)家 268
7.1 基于人工智能的材料智造 268
7.1.1 機器人材料學(xué)家 269
7.1.2 數(shù)字孿生 276
7.2 各環(huán)節(jié)高度協(xié)同的人工智能材料學(xué)家 278
7.2.1 基于數(shù)據(jù)的預(yù)測與決策 278
7.2.2 人工智能輔助的高效高精度實驗操作 282
7.2.3 全流程參數(shù)優(yōu)化 286
7.3 挑戰(zhàn)與未來 287
思維導(dǎo)圖 288
參考文獻 288