清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

AIMATDESIGN: knowledge-augmented reinforcement learning for inverse materials design under data scarcity

强化学习 计算机科学 机器学习 人工智能 匹配(统计) 理论(学习稳定性) 可靠性(半导体) 功能(生物学) 领域(数学分析) 钥匙(锁) 趋同(经济学) 财产(哲学) 主动学习(机器学习) 重要性抽样 采样(信号处理) 限制 数据挖掘 空格(标点符号) 自举(财务) 期限(时间) 面子(社会学概念) 领域知识 反向 实验数据 结构化预测 主题专家 资源(消歧) 对比度(视觉) 边距(机器学习)
作者
Yeyong Yu,Xilei Bian,Jie Xiong,Xudong Wu,Quan QIAN
出处
期刊:npj computational materials [Nature Portfolio]
卷期号:12 (1) 被引量:4
标识
DOI:10.1038/s41524-025-01894-x
摘要

With the growing demand for novel materials, machine learning-driven inverse design methods face significant challenges in reconciling the high-dimensional materials composition space with limited experimental data. Existing approaches suffer from two major limitations: (I) machine learning models often lack reliability in high-dimensional spaces, leading to prediction biases during the design process; (II) these models fail to effectively incorporate domain expert knowledge, limiting their capacity to support knowledge-guided inverse design. To address these challenges, we present AIMATDESIGN, a reinforcement learning framework that augments experimental data via difference-based sampling to build a trusted experience pool. To enhance model reliability, an automated refinement strategy guided by large language models corrects prediction inconsistencies, ensuring better alignment between reward signals and value functions. Additionally, a knowledge-based reward further leverages expert rules to improve stability and efficiency. Experiments show that AIMATDESIGN outperforms conventional machine learning and reinforcement learning baselines in discovery efficiency, convergence speed, and success rates. From numerous candidates, experimental validation of Zr-based alloys yielded a bulk metallic glass with 1.7 GPa yield strength and 10.2% elongation, closely matching predictions. This framework demonstrates reliable performance in capturing property trends and provides a general pathway toward closed-loop, data-efficient materials discovery.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
小蘑菇的应助被阿俊采纳,获得10
2秒前
无奈小玉完成签到,获得积分10
3秒前
4秒前
stonezcl完成签到,获得积分10
6秒前
我要吃饭了完成签到 ,获得积分10
8秒前
陵墨完成签到,获得积分10
9秒前
小巧的绮完成签到,获得积分10
15秒前
呆萌尔风完成签到,获得积分10
15秒前
莫忘初心完成签到,获得积分10
19秒前
典雅思真完成签到,获得积分10
19秒前
wrxaa完成签到,获得积分10
21秒前
整齐的开山完成签到,获得积分10
21秒前
benlaron完成签到,获得积分10
24秒前
花开富贵完成签到,获得积分10
24秒前
快乐舒完成签到 ,获得积分10
26秒前
MaidLingYan完成签到,获得积分10
26秒前
独特的又菱完成签到,获得积分10
26秒前
ybcy完成签到,获得积分10
26秒前
ln完成签到,获得积分10
27秒前
聪明的羿完成签到,获得积分10
27秒前
27秒前
大力的映天完成签到,获得积分10
28秒前
Zilaap完成签到,获得积分10
30秒前
爱栗子完成签到,获得积分10
30秒前
忧郁凝阳完成签到,获得积分10
31秒前
CaptainMus完成签到,获得积分10
31秒前
内向的镜子完成签到,获得积分10
32秒前
ryyy1208完成签到,获得积分10
32秒前
NiaoJiang完成签到,获得积分10
32秒前
516165165完成签到,获得积分10
35秒前
心想柿橙完成签到,获得积分10
35秒前
鲤鱼遥完成签到,获得积分10
36秒前
友好语风完成签到,获得积分10
36秒前
ccdog128完成签到,获得积分10
36秒前
Vintoe完成签到 ,获得积分10
38秒前
kkdg完成签到,获得积分10
39秒前
求助完成签到,获得积分10
39秒前
42秒前
July完成签到,获得积分10
42秒前
熊熊熊完成签到,获得积分10
42秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
Social Psychology in the Real World 600
八旗制度の研究 600
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8179980
求助须知:如何正确求助?哪些是违规求助? 9570196
关于积分的说明 21808504
捐赠科研通 7775913
什么是DOI,文献DOI怎么找? 3433251
关于科研通互助平台的介绍 2557383
邀请新用户注册赠送积分活动 2478998