• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

相似文献

1
Predicting material microstructure evolution via data-driven machine learning.通过数据驱动的机器学习预测材料微观结构演变。
Patterns (N Y). 2021 Jun 18;2(7):100285. doi: 10.1016/j.patter.2021.100285. eCollection 2021 Jul 9.
2
Self-supervised learning and prediction of microstructure evolution with convolutional recurrent neural networks.基于卷积循环神经网络的微观结构演化自监督学习与预测
Patterns (N Y). 2021 Apr 22;2(5):100243. doi: 10.1016/j.patter.2021.100243. eCollection 2021 May 14.
3
A Design-to-Device Pipeline for Data-Driven Materials Discovery.数据驱动的材料发现的设计到器件的流水线。
Acc Chem Res. 2020 Mar 17;53(3):599-610. doi: 10.1021/acs.accounts.9b00470. Epub 2020 Feb 25.
4
Integrated Framework to Model Microstructure Evolution and Decipher the Microstructure-Property Relationship in Polymeric Porous Materials.聚合物多孔材料微观结构演变建模及微观结构-性能关系解析的集成框架
ACS Appl Mater Interfaces. 2024 Jul 24;16(29):38442-38457. doi: 10.1021/acsami.4c03011. Epub 2024 Jul 15.
5
Towards effective machine learning in medical imaging analysis: A novel approach and expert evaluation of high-grade glioma 'ground truth' simulation on MRI.迈向医学影像分析中有效的机器学习：一种新颖的方法和对 MRI 上高级别胶质瘤“真实数据”模拟的专家评估。
Int J Med Inform. 2021 Feb;146:104348. doi: 10.1016/j.ijmedinf.2020.104348. Epub 2020 Nov 27.
6
Context Aware Machine Learning Approaches for Modeling Elastic Localization in Three-Dimensional Composite Microstructures.用于三维复合微结构中弹性定位建模的上下文感知机器学习方法
Integr Mater Manuf Innov. 2017;6(2):160-171. doi: 10.1007/s40192-017-0094-3. Epub 2017 Mar 31.
7
A predictive machine learning approach for microstructure optimization and materials design.一种用于微观结构优化和材料设计的预测性机器学习方法。
Sci Rep. 2015 Jun 23;5:11551. doi: 10.1038/srep11551.
8
Machine learning-based microstructure prediction during laser sintering of alumina.基于机器学习的氧化铝激光烧结过程中的微观结构预测
Sci Rep. 2021 May 21;11(1):10724. doi: 10.1038/s41598-021-89816-x.
9
The effectiveness of internet-based e-learning on clinician behavior and patient outcomes: a systematic review protocol.基于互联网的电子学习对临床医生行为和患者结局的有效性：一项系统评价方案。
JBI Database System Rev Implement Rep. 2015 Jan;13(1):52-64. doi: 10.11124/jbisrir-2015-1919.
10
Applying machine learning to predict real-world individual treatment effects: insights from a virtual patient cohort.应用机器学习预测真实世界的个体治疗效果：来自虚拟患者队列的见解。
J Am Med Inform Assoc. 2019 Oct 1;26(10):977-988. doi: 10.1093/jamia/ocz036.

引用本文的文献

1
Dislocation Substructures Evolution and an Informer Constitutive Model for a Ti-55511 Alloy in Two-Stages High-Temperature Forming with Variant Strain Rates in β Region.β 区变应变速率两阶段高温成形过程中 Ti-55511 合金的位错亚结构演变及一种唯象本构模型
Materials (Basel). 2023 Apr 27;16(9):3430. doi: 10.3390/ma16093430.
2
Nanoscale defect evaluation framework combining real-time transmission electron microscopy and integrated machine learning-particle filter estimation.结合实时透射电子显微镜和集成机器学习-粒子滤波器估计的纳米尺度缺陷评估框架
Sci Rep. 2022 Jun 22;12(1):10525. doi: 10.1038/s41598-022-13878-8.

本文引用的文献

1
Self-supervised learning and prediction of microstructure evolution with convolutional recurrent neural networks.基于卷积循环神经网络的微观结构演化自监督学习与预测
Patterns (N Y). 2021 Apr 22;2(5):100243. doi: 10.1016/j.patter.2021.100243. eCollection 2021 May 14.
2
Materials Science in the AI age: high-throughput library generation, machine learning and a pathway from correlations to the underpinning physics.人工智能时代的材料科学：高通量库生成、机器学习以及从相关性到基础物理学的路径。
MRS Commun. 2019;9(3). doi: 10.1557/mrc.2019.95.
3
Accelerating materials property predictions using machine learning.利用机器学习加速材料性能预测。
Sci Rep. 2013 Sep 30;3:2810. doi: 10.1038/srep02810.

通过数据驱动的机器学习预测材料微观结构演变。

Predicting material microstructure evolution via data-driven machine learning.

作者信息

Kautz Elizabeth J

机构信息

Energy and Environment Directorate, Pacific Northwest National Laboratory, Richland, WA 99352, USA.

出版信息

Patterns (N Y). 2021 Jun 18;2(7):100285. doi: 10.1016/j.patter.2021.100285. eCollection 2021 Jul 9.

DOI:10.1016/j.patter.2021.100285
PMID:34286300
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC8276005/
Abstract

Predicting microstructure evolution can be a formidable challenge, yet it is essential to building microstructure-processing-property relationships. Yang et al. offer a new solution to traditional partial differential equation-based simulations: a data-driven machine learning approach motivated by the practical needs to accelerate the materials design process and deal with incomplete information in the real world of microstructure simulation.

摘要

预测微观结构演变可能是一项艰巨的挑战，但对于建立微观结构-加工-性能关系至关重要。杨等人针对基于传统偏微分方程的模拟提出了一种新的解决方案：一种由加速材料设计过程和处理微观结构模拟现实世界中不完整信息的实际需求驱动的数据驱动机器学习方法。