Materials Discovery and Design: By Means of Data Science and Optimal Learning

این کتاب به وضعیت فعلی، چالش‌ها و مسیرهای آینده کشف و طراحی مواد مبتنی بر داده می‌پردازد. این تجزیه و تحلیل و یادگیری از داده ها را به عنوان یک موضوع کلیدی در بسیاری از کاربردهای علمی و سایبری ارائه می دهد. پرسش‌های باز چالش‌برانگیز و همچنین جهت‌های آتی در کاربرد علم داده در مسائل مواد ترسیم شده‌اند. امروزه امکانات محاسباتی و تجربی، حجم وسیعی از داده ها را با سرعتی بی سابقه تولید می کنند. این کتاب راهنمایی برای کشف دانش جدیدی می دهد که نوآوری مواد را قادر می سازد تا به چالش های بزرگ در انرژی، محیط زیست و امنیت رسیدگی کند، پیوند واضح تر مورد نیاز بین داده های این امکانات و نظریه و علم اساسی. نقش روش‌های استنتاج و بهینه‌سازی در تقطیر داده‌ها و محدود کردن پیش‌بینی‌ها با استفاده از بینش و نتایج تئوری برای دستیابی به اهداف مورد نظر تحلیل و بازخورد بلادرنگ کلیدی است. بنابراین، اهمیت این کتاب در تأکید بر این است که ارزش کامل کشف مبتنی بر دانش با استفاده از داده‌ها تنها با ادغام علوم آماری و اطلاعاتی با علم مواد، که به طور فزاینده‌ای به توان عملیاتی بالا و تلاش‌های جمع‌آوری داده‌های محاسباتی و تجربی در مقیاس بزرگ وابسته است، تحقق می‌یابد. . این مورد به ویژه زمانی که ما وارد عصر جدیدی از کلان داده در علم مواد می‌شویم با برنامه‌ریزی امکانات آزمایشی آینده مانند منبع نور منسجم Linac در استنفورد (LCLS-II)، لیزر الکترون آزاد پرتو ایکس اروپا (EXFEL) و MaRIE (تابش ماده در شدید)، تاسیسات مفهومی امضا از آزمایشگاه ملی لوس آلاموس. انتظار می رود این امکانات صدها ترابایت تا چندین پتابایت درجا داده های تفکیک شده مکانی و زمانی در هر نمونه تولید کنند. سؤالاتی که بعداً مطرح می‌شوند عبارتند از اینکه چگونه می‌توانیم از داده‌ها یاد بگیریم تا پردازش و تجزیه و تحلیل ریزساختار بازسازی‌شده را تسریع کنیم، ویژگی‌های تفکیک‌شده مکانی را به سرعت از داده‌های توان عملیاتی بالا ترسیم کنیم، تشخیص‌هایی را برای تشخیص الگو ابداع کنیم و آزمایش‌ها را به سمت ویژگی‌های هدف مورد نظر هدایت کنیم. نویسندگان گروهی میان رشته ای متشکل از کارشناسان برجسته هستند که هیجان حوزه نوپا و به سرعت در حال ظهور انفورماتیک مواد را برای خواننده به ارمغان می آورند.

This book addresses the current status, challenges and future directions of data-driven materials discovery and design. It presents the analysis and learning from data as a key theme in many science and cyber related applications. The challenging open questions as well as future directions in the application of data science to materials problems are sketched. Computational and experimental facilities today generate vast amounts of data at an unprecedented rate. The book gives guidance to discover new knowledge that enables materials innovation to address grand challenges in energy, environment and security, the clearer link needed between the data from these facilities and the theory and underlying science. The role of inference and optimization methods in distilling the data and constraining predictions using insights and results from theory is key to achieving the desired goals of real time analysis and feedback. Thus, the importance of this book lies in emphasizing that the full value of knowledge driven discovery using data can only be realized by integrating statistical and information sciences with materials science, which is increasingly dependent on high throughput and large scale computational and experimental data gathering efforts. This is especially the case as we enter a new era of big data in materials science with the planning of future experimental facilities such as the Linac Coherent Light Source at Stanford (LCLS-II), the European X-ray Free Electron Laser (EXFEL) and MaRIE (Matter Radiation in Extremes), the signature concept facility from Los Alamos National Laboratory. These facilities are expected to generate hundreds of terabytes to several petabytes of in situ spatially and temporally resolved data per sample. The questions that then arise include how we can learn from the data to accelerate the processing and analysis of reconstructed microstructure, rapidly map spatially resolved properties from high throughput data, devise diagnostics for pattern detection, and guide experiments towards desired targeted properties. The authors are an interdisciplinary group of leading experts who bring the excitement of the nascent and rapidly emerging field of materials informatics to the reader.