利用知情神经网络预测氧化物玻璃的性能

许多现代应用需要开发具有特定性质的新材料。特别是，新玻璃成分的设计具有很大的工业价值。当前用于学习玻璃成分-性质关系的机器学习方法有望节省昂贵的试错方法。尽管已经存在相当大的玻璃成分及其性质的数据库（即超过350,000个样本），但它们仅覆盖了所有可能玻璃成分空间中非常小的一部分。这限制了纯数据驱动模型在性质预测中的适用性，并 necessitate 开发具有高外推能力的模型。在本文中，我们提出了一种在其学习流程中融入先验科学和专家知识的神经网络模型。与盲目（不知情）的神经网络模型相比，这种知情学习方法带来了改进的外推能力。为证明这一点，我们训练模型预测三种不同的材料性质，即不含钠的二元氧化物玻璃的玻璃化转变温度、杨氏模量（室温下）和剪切模量。作为传统盲目神经网络方法的代表，我们使用了五种不同宽度和深度的前馈神经网络。对于每个性质，我们建立了多个训练模型的模型集成，并表明平均而言，我们提出的知情模型在对外推先前未见的硼酸钠玻璃样品的三种性质时优于所有五种传统盲目模型。