滚球体育论坛www.waiqj.com专注于足球论坛/致力向球迷提供/英超/曼联-切尔西-阿森纳-利物浦-等足球赛事分析

 找回密码
 立即注册
搜索
查看: 15|回复: 0

新物质?新材料?探索元素周期表机器学习帮你找!

[复制链接]

975

主题

975

帖子

2977

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
2977
发表于 2019-9-30 22:40:41 | 显示全部楼层 |阅读模式
  1869年,俄国化学家门捷列夫将当时已知的63种元素写在卡片上,根据化学和物理性质进行排列,形成了元素周期表的雏形。

  目前常用的元素周期表是短式表,还有长式表,特长表,平面螺线表,圆形表,甚至还有立体周期表。
  现在,科学家们利用机器学习,重新挖掘元素间的关系,探索元素周期表的新形式以及材料的新可能。
  洛桑联邦理工大学的研究人员,就使用机器学习的方式,探索了元素周期表在高维表达的可能形式。
  他们根据密度泛函理论导入了近11000种四元素化合物(形式为ABCx2Dx6)的结构作为数据集。
  这些化合物的结构通过原子间的位置排布和化学性质,可以被划定为不同的特征向量。
  除此之外,这些化合物包括39种主族元素,包括了很大一部分常见的化合物形式。
  他们通过对确定低维度的特征值来对高维度的特征向量进行简化,就像数学中为了分析曲线性质来确定坐标系一样。

  研究者将这些元素的关系进行可视化处理后,发现这些元素的关系和之前人们推导的关系很接近:

  同族元素中,最短周期元素和其他周期元素泾渭分明,氢元素作为元素周期表的老大,跟其他同组元素比显得更为突出。

  如果将原有平面三维化,那么氢元素和其他碱性金属同之前二维平面的结果相比,距离会变得更近。
  这些结果不但契合了元素的基本分组理论和性质,并且元素的独特性质在三维平面中的表现。
  加州劳伦斯-伯克利国家实验室的研究人员,则选择把材料领域作为机器学习的突破口,这个选择更为大胆。
  他们尝试做一个巨量的材料结构和性质数据库,通过已知的材料性质与结构的关系,

  所以他们录入了从1922年到2018年的330万篇摘要,扫描了五十万词汇,其中包括化学公式。
  而机器学习的分析结果也是非常有趣的,例如镍化铁就与铁磁性挂钩,而铋化碲则与热电性质相关,这跟现实科学研究得出来的结论相符。

  按照这个思路,就可以对根据之前机械学习的经验,对新材料的性质和应用进行分析。
  这个学科所有的理论和经验,都是依靠不断的实验,统计和推翻,以及继续实验的循环不断确定的过程。

  另一方面,对新材料的探索和应用研究,还是无法避免依靠实验的经验总结过程。
  人的总结能力终归是有限的,而机器学习则极大的拓展了研究者范例总结的边界。
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

Archiver|手机版|小黑屋|滚球体育论坛  |网站地图

GMT+8, 2019-12-8 15:29 , Processed in 0.187200 second(s), 8 queries , File On.

Powered by Discuz! X3.3

© 2001-2017 Comsenz Inc.

快速回复 返回顶部 返回列表