.png){kind=icon}
返回
Property Prediction and Resilience Analysis in Polyionic Glasses Using a Machine-Learning Algorithm with Multivariate Output
.png){kind=icon}
PRE
AI
DOI：10.1002/admt.202500491.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
设计多组分玻璃的化学成分以实现一组目标性能需要关于复杂范围的权衡关系的信息。通常没有可用于此规模的、一致的参考数据集，这将允许训练多任务神经网络模型。作为一种替代方案，采用多输出高斯过程回归（mGPR）进行基于小但高度一致数据集（例如通常在协调的实验室活动中生成）的多任务机器学习（ML），以组合玻璃性能。为此，使用了来自Na₂O-AlF₃-Al₂O₃-P₂O₅-SO₃体系的聚离子玻璃的数据集，其中由于存在多种挥发性物种，性能对化学成分变化的鲁棒性是一个特殊挑战。以同时预测折射率和杨氏模量为例，展示了mGPR如何甚至在将其中一个物理性能作为附加输出特征使用时，也优于单任务建模。通过随机游走采样生成约6.107个样本的数据集，以确定在追求给定目标性能集时的成分灵活性。通过这种方式，揭示了物理性能之间的权衡关系以及成分设计的化学边界。
Keyword:
glass
machine learning
mGPR
multivatriate
predictive modeling
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.2
论文数:
5.3K
被引数:
2.4W
机构
引用论文
Role of Ag+ Ions in Determining Ce3+ Optical Properties in Fluorophosphate and Sulfophosphate Glasses.png)
ACS OMEGA
OAAI
ACS OMEGAIF4.3
OAAI分享收藏Advancing the Mechanical Performance of Glasses: Perspectives and Challenges提高眼镜的机械性能: 前景与挑战ADVANCED MATERIALSOAAI
ADVANCED MATERIALSIF26.8
OAAI分享收藏Predicting refractive index of fluoride containing glasses for aesthetic dental restorations预测含氟玻璃的美容牙科修复材料的折射率OAAI
OAAI分享收藏
查看更多内容