Predicting the Young’s Modulus of Silicate Glasses using High-Throughput Molecular Dynamics Simulations and Machine Learning
Predicting the Young’s Modulus of Silicate Glasses using High-Throughput Molecular Dynamics Simulations and Machine Learning
复制标题
使用高通量分子动力学模拟和机器学习预测硅酸盐玻璃的杨氏模量
DOI：
10.1038/s41598-019-45344-3
复制
发表时间：
2019
影响因子：
4.6
通讯作者：
Bauchy, Mathieu
中科院分区：
文献类型：
--
作者：
Yang, Kai;Xu, Xinyi;Yang, Benjamin;Cook, Brian;Ramos, Herbert;Krishnan, N. M.;Smedskjaer, Morten M.;Hoover, Christian;Bauchy, Mathieu
应用机器学习来预测材料的性能通常需要大量一致的数据进行训练。然而，高质量的实验数据集并不总是可用或自洽的。在这里，作为一种替代途径，我们将联合收割机机器学习与高通量分子动力学模拟相结合，以预测硅酸盐玻璃的杨氏模量。我们证明，这种结合的方法提供了良好的和可靠的预测在整个组成域。通过比较选择机器学习算法的性能，我们讨论了机器学习中准确性，简单性和可解释性之间平衡的本质。
The application of machine learning to predict materials’ properties usually requires a large number of consistent data for training. However, experimental datasets of high quality are not always available or self-consistent. Here, as an alternative route, we combine machine learning with high-throughput molecular dynamics simulations to predict the Young’s modulus of silicate glasses. We demonstrate that this combined approach offers good and reliable predictions over the entire compositional domain. By comparing the performances of select machine learning algorithms, we discuss the nature of the balance between accuracy, simplicity, and interpretability in machine learning.
登录
查看更多内容
XAlSiO4 铝硅酸盐玻璃的弹性模量：电荷平衡阳离子的影响
DOI：
--
发表时间：
2016
期刊：
影响因子：
--
作者：
C. Weigel;C. Losq;R. Vialla;C. Dupas;S. Clément;D. Neuville;B. Rufflé
通讯作者：
B. Rufflé
影响因子：
29.4
作者：
Wondraczek, Lothar;Mauro, John C.;Rouxel, Tanguy
通讯作者：
Rouxel, Tanguy
影响因子：
5.3
作者：
Han Liu;Shiqi Dong;Longwen Tang;N. Krishnan;G. Sant;M. Bauchy
通讯作者：
Han Liu;Shiqi Dong;Longwen Tang;N. Krishnan;G. Sant;M. Bauchy
氮氧化物玻璃的弹性模量：Makishima 和 Mackenzie 理论的扩展
影响因子：
3.5
作者：
J. Rocherullé;C. Ecolivet;M. Poulain;P. Verdier;Y. Laurent
通讯作者：
Y. Laurent
基于数据库的眼镜材料设计 – INTERGLAD
影响因子：
6.4
作者：
I. Yasui;F. Utsuno
通讯作者：
F. Utsuno