| 近日，电子信息学院先进电子材料与器件团队的郑晓隆博士以杭州电子科技大学为第一单位在《Chemical Science》（影响因子9.063）上发表了题为《Machine learning material properties from the periodic table using convolutional neural networks》的论文 |
论文瞄准“材料描述符”这一材料信息学中长期存在的问题，创新性的采用深度学习的方法提取材料的表达特征。论文中直接采用最常见的元素周期表作为系统输入，在6万Heusler合金数据集上训练深度卷积神经网络，结果表明深度网络自动学习到元素周期表的内在结构作为表达特征，并且预测精度达到了第一性原理的计算精度。由于神经网络可以在各种加速硬件上并行，因此这种基于深度学习的预测响应速度与第一性原理计算相比提高了四到五个数量级。同时，材料科学与深度学习结合的一个难点是材料科学中实验数据的采集相对困难，样本量较少，并且第一性原理计算数据只包含材料在绝对零度的信息。论文中采用了深度迁移学习技术，成功训练了可以预测室温下材料稳定性的深度迁移网络，并采用该网络预测了一系列在室温下热力学稳定的新型Heusler合金，具有广泛的指导意义和应用价值。 电子信息学院先进电子材料与器件研究团队成立于2016年。近年来，团队紧密围绕先进电子材料与器件，开展了碳基纳米电子材料与器件、低维纳米结构/量子结构与2D超结构半导体、场致发射（FEE）/冷阴极器件、感知阵列器件等方向的研究。目前，团队结合自身的优势条件，在利用深度学习等人工智能技术开展预测材料性能这一全新的研究领域，取得了一定的研究成果。  论文链接： http://pubs.rsc.org/en/content/articlelanding/2018/SC/C8SC02648C#!divAbstract |