Information Science for Materials Discovery and Design

این کتاب به یک رویکرد اطلاعات محور برای برنامه ریزی کشف و طراحی مواد، یادگیری تکراری می پردازد. نویسندگان رویکردهای متضاد اما مکمل را ارائه می‌کنند، مانند روش‌هایی که مبتنی بر محاسبات توان عملیاتی بالا، آزمایش‌های ترکیبی یا کشف مبتنی بر داده، همراه با روش‌های یادگیری ماشینی هستند. به طور مشابه، روش های آماری با موفقیت در زمینه های دیگر، مانند علوم زیستی، ارائه شده است. این محتوا از علم مواد تا علم اطلاعات را در بر می گیرد تا ماهیت بین رشته ای این رشته را منعکس کند. دیدگاهی ارائه شده است که یک پارادایم (حلقه طراحی کد برای طراحی مواد) ارائه می دهد تا شامل یادگیری مکرر از آزمایش ها و محاسبات برای توسعه مواد با خواص بهینه باشد. چنین حلقه‌ای به عناصر ترکیب دانش مواد حوزه، پایگاه داده‌ای از توصیف‌گرها (ژن‌ها)، مدل جایگزین یا آماری توسعه‌یافته برای پیش‌بینی یک ویژگی معین با عدم قطعیت، انجام طراحی تجربی تطبیقی ​​برای هدایت آزمایش یا محاسبه بعدی و جنبه‌های بالا نیاز دارد. محاسبات توان عملیاتی و همچنین آزمایشات. این کتاب در مورد تولید با هدف نصف کردن زمان برای کشف و طراحی مواد جدید است. کشف شتاب‌دهنده به استفاده از پایگاه‌های داده بزرگ، محاسبات و ریاضیات در علوم مواد به روشی مشابه روشی که در طرح ژنوم انسانی استفاده می‌شود، متکی است. بنابراین رویکردهای جدید برای کشف فضای فاز عظیم ارائه شده توسط مواد و فرآیندهای پیچیده نامیده می شود. برای دستیابی به دستاوردهای عملکرد مطلوب، یک قابلیت پیش‌بینی برای هدایت آزمایش‌ها و محاسبات در پربارترین جهت‌ها با کاهش آزمایش‌های ناموفق مورد نیاز است. با وجود پیشرفت در محاسبات و تکنیک های تجربی، تولید آرایه های گسترده ای از داده ها. بدون یک راه روشن برای ارتباط با مدل‌ها، ارزش کامل کشف مبتنی بر داده‌ها قابل درک نیست. از این رو، همراه با علم مواد تجربی، نظری و محاسباتی، ما باید یک "پای چهارم" را به جعبه ابزار خود اضافه کنیم تا "ژنوم مواد" را به واقعیت تبدیل کنیم، علم انفورماتیک مواد.

This book deals with an information-driven approach to plan materials discovery and design, iterative learning. The authors present contrasting but complementary approaches, such as those based on high throughput calculations, combinatorial experiments or data driven discovery, together with machine-learning methods. Similarly, statistical methods successfully applied in other fields, such as biosciences, are presented. The content spans from materials science to information science to reflect the cross-disciplinary nature of the field. A perspective is presented that offers a paradigm (codesign loop for materials design) to involve iteratively learning from experiments and calculations to develop materials with optimum properties. Such a loop requires the elements of incorporating domain materials knowledge, a database of descriptors (the genes), a surrogate or statistical model developed to predict a given property with uncertainties, performing adaptive experimental design to guide the next experiment or calculation and aspects of high throughput calculations as well as experiments. The book is about manufacturing with the aim to halving the time to discover and design new materials. Accelerating discovery relies on using large databases, computation, and mathematics in the material sciences in a manner similar to the way used to in the Human Genome Initiative. Novel approaches are therefore called to explore the enormous phase space presented by complex materials and processes. To achieve the desired performance gains, a predictive capability is needed to guide experiments and computations in the most fruitful directions by reducing not successful trials. Despite advances in computation and experimental techniques, generating vast arrays of data; without a clear way of linkage to models, the full value of data driven discovery cannot be realized. Hence, along with experimental, theoretical and computational materials science, we need to add a “fourth leg’’ to our toolkit to make the “Materials Genome'' a reality, the science of Materials Informatics.