記者近日從昆明理工大學獲悉，該校材料科學與工程學院種曉宇、何京津、馮晶教授團隊在“人工智能+材料”交叉領域取得重要突破。研究團隊提出了“連續(xù)遷移”機器學習框架，成功解決了小數(shù)據(jù)集下材料多性能預測的技術瓶頸，為新型功能材料的高效研發(fā)提供了新思路。相關研究成果發(fā)表于國際期刊《先進功能材料》。

傳統(tǒng)機器學習方法在材料性能預測中常受限于數(shù)據(jù)稀缺問題，尤其當目標性能樣本量不足時，模型精度難以保證。針對這一挑戰(zhàn)，團隊創(chuàng)新性地構建了“連續(xù)遷移”學習策略。該策略首先基于海量材料的形成能數(shù)據(jù)訓練高精度基礎模型，再通過遷移學習依次預測材料的穩(wěn)定性、帶隙、體積模量等關鍵性能。當面對僅51條數(shù)據(jù)的剪切模量預測任務時，團隊進一步以體積模量模型為“跳板”，進行二次遷移，使小數(shù)據(jù)集下的預測可靠性顯著提升。

通過該框架，研究團隊從1.8萬余種候選材料中，快速篩選出54種兼具高穩(wěn)定性與優(yōu)異延展性的無機雙鈣鈦礦涂層材料。其中，六氟合銥酸銫銅材料表現(xiàn)尤為突出。其帶隙值適配光伏應用需求，剪切模量與體積模量比值顯示出高延展性，穩(wěn)定性測試也驗證了其潛在實用價值。這一成果不僅為鈣鈦礦太陽能電池、光催化等領域提供了候選材料庫，更證明了遷移學習在材料多性能協(xié)同優(yōu)化中的普適性，為其他材料的性能預測與優(yōu)化提供了可推廣的框架。

據(jù)了解，此項研究依托在該校的金屬先進凝固成形及裝備技術國家地方聯(lián)合工程研究中心完成，是昆明理工大學在材料信息學領域的又一重要進展，為有效解決傳統(tǒng)機器學習在數(shù)據(jù)稀缺場景下的性能瓶頸，破解“數(shù)據(jù)少、任務多”的材料研發(fā)難題提供了可推廣的計算工具，也為材料多性能協(xié)同優(yōu)化提供了高效計算范式。

關鍵詞：