0
点赞
收藏
分享

微信扫一扫

K8s Pod 进阶

googlefrank 03-06 19:00 阅读 5

NameMachine learning-based design of porous graphene with low thermal conductivity

DOI https://doi.org/10.1016/j.carbon.2019.10.037

总结:所有库训练CNN,证明可行,然后对同孔隙率结构,进行迭代训练CNN,发现导热率最低结构,优点只需进行有限MD模拟就行。最后用更大结构进行验证,得出结论。

论文代码:http://jiangjinwu.org

Inverse design

       随机选择100个结构(同一孔隙率),MD模拟得热导率,作为训练数据。得第一代CNN模型。预测库中所有剩余结构的热导率,从而预测另外100个热导率最低的结构。然后MD得出这100个结构的真实导热率。添加到训练集中,用于训练下一代CNN模型。CNN模型的训练集的大小随着迭代次数的增加而逐渐增加。在每一代逆向设计过程中,首先初始化CNN模型,然后基于训练集进行训练,以预测剩余结构的热导率。

若有问题,欢迎交流,虚心学习!

相似论文

文献:Accelerated search and design of stretchable graphene kirigami using machine learning

DOI:https://doi.org/10.1103/PhysRevLett.121.255304

举报

相关推荐

0 条评论