加入支持让我们有继续维护的动力！会员畅享查看所有预告
立即购买
刘惠军: 机器学习在材料科学中的应用：方法论、带隙和晶格导热性
- 来源：
- 学校官网
- 收录时间：
- 2026-07-07 03:06:22
- 时间：
- 2026-07-07 14:30:00
- 地点：
- 翡翠湖校区新物理楼502室
- 报告人：
- 刘惠军
- 学校：
- 合肥工业大学
- 关键词：
- machine learning, materials science, band gap, lattice thermal conductivity, first-principles calculations, transfer learning
- 简介：
- 本次报告探讨机器学习在材料科学中的应用，重点介绍数据预处理对模型预测精度的影响，提出基于迁移学习的带隙预测方法，并构建机器学习势函数用于预测Janus型过渡金属二硫属化合物单层材料的晶格热导率。
- -/- 5
报告介绍：
得益于大数据分析的最新进展，机器学习（ML）方法被提出用于加速具有目标性能材料的发现。众所周知，数据集的质量对于构建具有高预测能力的机器学习模型至关重要。在本次报告中，我们将以Materials Project数据库中的电子带隙为例，阐明影响机器学习模型预测精度的数据预处理中的若干关键问题。通过利用基于PBE泛函计算的带隙进行预训练所获得的知识，我们提出了一种有效的迁移学习策略，仅需少量GW计算得到的带隙数据作为训练样本，即可快速而准确地预测任意单层材料的带隙。此外，我们还构建了一种精确的机器学习势函数，可迭代求解声子玻尔兹曼输运方程，从而便捷地预测Janus型过渡金属二硫属化合物单层材料的晶格热导率。
报告人介绍：
刘惠军，武汉大学教授、博导。1995年及1998年在武汉大学分别获学士和硕士学位，2003年在香港科技大学获博士学位，2008年入选教育部“新世纪优秀人才支持计划”，2012年在美国University of Pittsburgh进行访问研究。长期从事计算凝聚态物理、计算材料科学的研究工作，特别是从第一性原理出发对材料的性质进行计算和设计新材料。目前担任国际学术期刊Scientific Reports、Materials、AI Materials编委。先后主持了多项国家自然科学基金项目，并作为主要学术骨干参与了两项国家973计划项目。研究成果在Physical Review Letters、Physical Review B、Advanced Energy Materials、Energy & Environmental Science、Materials Today Physics等期刊上发表论文140余篇。
报告图片：
购买下会员支持下吧...用爱发电已经很久了 立即购买
