跳到内容

Machine Learning (ML)材料智能体 ​

建设状态:规划中。目的:从数据中学习规律,对样品进行性能预测与逆向设计。

基于专业数据库开发和验证材料领域模型,支持虚拟筛选、多目标优化及实验方案设计。以下为目标流程,具体页面和可用模型以后续版本为准。

预期页面内容 ​

区域目标内容
数据集数据范围、来源、特征、标签、单位与质量
模型任务类型、训练方法、版本与适用范围
验证数据划分、评价指标、误差与不确定性
设计任务目标性能、组成或工艺约束、候选范围
实验反馈候选方案、真实测试结果及差异记录

目标流程 ​

  1. 选择获准数据,检查缺失值、单位、重复样品与测试条件。
  2. 确定特征与目标性能,保留数据版本及来源。
  3. 训练模型并在独立数据上验证,记录误差及适用范围。
  4. 对候选材料进行性能预测、虚拟筛选或多目标优化。
  5. 按目标性能与约束生成候选实验方案,研究者选择后执行。
  6. 将实测结果与预测分开保存,对比偏差并回流数据库。

预测与逆向设计 ​

性能预测从已知组成或条件估计性能;逆向设计从目标性能和约束出发搜索候选材料与条件。两者均需模型适用范围及验证结果支持,模型建议通过实验再验证。

与平台愿景的关系 ​

配方设计 → 实验执行 → 数据沉淀 → 自动分析 → 模型学习 → 推荐实验 → 再验证。新实验结果继续补充领域数据,支持下一轮模型和方案迭代。

对应学习资源 ​

为实验数据流程构建。