Materialsdata validation and imputation with an artificial neural

network

P.C. Verpoort , P.MacDonald, G.J. Conduit

ComputationalMaterials Science. 2018, 147

DOI:10.1016/j.commatsci.2018.02.002

应用人工神经网络来模拟和验证材料性能。在训练和预测中神经网络算法具有独特的处理不完整数据集的能力，因此可将性能作为输入，研究成分-性能和性能-性能关系来提高预测的质量，也可以作为单一实体的图形数据处理。使用多种验证方案对该框架进行测试，然后将其应用于合金和聚合物的材料实例研究。通过与数据源对比确认，该算法在商业材料数据库中发现了二十个错误。 

材料数据，神经网络，合金，聚合物

我们开发了一种人工智能算法，并将其扩展到处理不完整数据，功能数据，并量化数据的准确性。我们验证了数据模型的性能，以确认该框架在错误预测、不完整数据和绘图能力的测试中提供预期结果的能力。最终我们将该框架应用到现实中的MaterialUniverse和ProspectorPlastics数据库，展示了该方法带来的显著效果。

值得一提的是，我们能够提出和验证错误的输入数据；给出未知因素预测的外推改进，这些未知因素是因为材料成分和制造中的数据缺失产生的；并通过识别不同应用中的非显形描述符来帮助表征材料的性能。因此，我们能够展示人工智能算法如何为工业应用中的研究、设计和选择材料方面做出重大贡献。

图1 人工神经网络（ANN）用于插值材料性能数据集。图片展示了如何从所有输入的xi计算得到输出的y1（上）和y2（下）。对于所有其他yj，可以绘制1~2个类似的图来计算所有的预测性质。给定性能（红色）的线性组合（左边的灰色线）是由隐藏节点（蓝色）确定的，应用非线性tanh操作，线性组合（右边的灰色线）作为预测性能返回（绿色）。

图2：如果我们需要使用存在一些性能数据丢失的数据点x来评估ANN，采用如下图的过程进行描述。

图3 toy模型的人工神经网络训练（a）余弦函数，（b）具有不均匀分布数据的对数函数，（c）高斯噪声下的二次函数，（d）二次函数，测试具有不同数目的隐藏节点的性能，并计算和绘制RMS（Eq.5）、降低RMS（Eq.6）和交叉验证RMS。

图4：蓝虚线：生成数据的二次曲线。 红色/绿色点：由蓝色噪声产生的数据点，高斯噪声有/没有被识别为错误。黑线：具有不确定性的模型的修正。生成的数据的高斯噪声与toy模型函数的值成比例。观察到在曲线的右端有少量点被识别为错误，因为人工神经网络的确定性在该区域较低。

图5 不同x值的训练数据、真实函数和神经网络预测函数

图6：玻璃纤维填料（蓝色）和矿物填料（红色）的聚合物拉伸模量vs密度图。，输入信息不仅包括填料类型，还包括填料量（重量%）。