| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 课题来源 | 第13页 |
| 1.2 材料基因组计划简介 | 第13-14页 |
| 1.3 钙钛矿材料简介 | 第14-15页 |
| 1.4 材料基因组国内外研究情况 | 第15-18页 |
| 1.4.1 国外研究概况 | 第15-17页 |
| 1.4.2 国内研究概况 | 第17-18页 |
| 1.5 论文的主要研究内容 | 第18-20页 |
| 1.5.1 材料机器学习平台 | 第18页 |
| 1.5.2 针对材料研究的机器学习功能开发 | 第18页 |
| 1.5.3 基于材料机器学习平台及针对材料研究的机器学习功能对钙钛矿功能材料性能优化 | 第18页 |
| 1.5.4 本论文的具体结构 | 第18-20页 |
| 第二章 材料机器学习平台 | 第20-50页 |
| 2.1 材料机器学习平台 | 第20-24页 |
| 2.1.1 材料机器学习平台架构 | 第20-22页 |
| 2.1.2 使用技术简介 | 第22-24页 |
| 2.2 平台算法及原理 | 第24-46页 |
| 2.2.1 线性回归 | 第25-26页 |
| 2.2.2 Lasso | 第26-27页 |
| 2.2.3 岭回归回归 | 第27页 |
| 2.2.4 逻辑回归 | 第27-28页 |
| 2.2.5 支持向量机 | 第28-34页 |
| 2.2.6 人工神经网络 | 第34-36页 |
| 2.2.7 深度神经网络 | 第36-38页 |
| 2.2.8 决策树 | 第38-40页 |
| 2.2.9 随机森林 | 第40页 |
| 2.2.10 梯度提升树 | 第40-41页 |
| 2.2.11 高斯过程算法 | 第41-42页 |
| 2.2.12 相关向量机 | 第42-44页 |
| 2.2.13 主成分分析 | 第44-45页 |
| 2.2.14 遗传算法 | 第45-46页 |
| 2.3 材料机器学习平台分布式计算 | 第46-50页 |
| 2.3.1 分布式计算简介 | 第46-48页 |
| 2.3.2 分布式计算使用 | 第48-50页 |
| 第三章 材料机器学习方法 | 第50-65页 |
| 3.1 材料优化算法 | 第50-56页 |
| 3.1.1 蒙特卡洛算法 | 第52页 |
| 3.1.2 遗传算法优化 | 第52-54页 |
| 3.1.3 全局高效优化 | 第54-56页 |
| 3.2 材料数据智能化建模 | 第56-61页 |
| 3.2.1 智能化建模简介 | 第56-57页 |
| 3.2.2 评价方法 | 第57页 |
| 3.2.3 建模算法候选 | 第57-58页 |
| 3.2.4 变量处理 | 第58-59页 |
| 3.2.5 超参数优化 | 第59-60页 |
| 3.2.6 整体流程 | 第60-61页 |
| 3.3 材料数据特征工程 | 第61-65页 |
| 3.3.1 特征工程 | 第61-62页 |
| 3.3.2 深度特征提取器 | 第62-65页 |
| 第四章 钙钛矿居里温度性能研究 | 第65-85页 |
| 4.1 背景及数据 | 第65-66页 |
| 4.1.1 钙钛矿材料居里温度 | 第65页 |
| 4.1.2 数据来源 | 第65-66页 |
| 4.2 钙钛矿材料智能建模 | 第66-67页 |
| 4.2.1 智能建模方案 | 第66-67页 |
| 4.3 结果与讨论 | 第67-72页 |
| 4.3.1 智能建模回归结果 | 第67-69页 |
| 4.3.2 智能建模分类结果 | 第69-71页 |
| 4.3.3 智能建模结果讨论 | 第71-72页 |
| 4.4 材料特征提取 | 第72-75页 |
| 4.4.1 特征工程 | 第72-75页 |
| 4.4.2 迁移学习 | 第75页 |
| 4.5 结果与讨论 | 第75-83页 |
| 4.5.1 网络结构优化 | 第75-77页 |
| 4.5.2 传统算法与深度特征提取网络 | 第77-80页 |
| 4.5.3 迁移学习 | 第80-83页 |
| 4.6 小结 | 第83-85页 |
| 第五章 钙钛矿氧离子电导率性能研究 | 第85-106页 |
| 5.1 背景及数据 | 第85-86页 |
| 5.1.1 钙钛矿氧离子电导率 | 第85页 |
| 5.1.2 数据来源 | 第85-86页 |
| 5.2 基于机器学习平台的钙钛矿材料性能研究 | 第86-90页 |
| 5.3 结果与讨论 | 第90-101页 |
| 5.4 钙钛矿材料高效筛选 | 第101-102页 |
| 5.4.1 EGO筛选 | 第101-102页 |
| 5.5 结果与讨论 | 第102-105页 |
| 5.5.1 EGO筛选结果分析 | 第102-105页 |
| 5.6 小结 | 第105-106页 |
| 第六章 结论与展望 | 第106-109页 |
| 6.1 结论 | 第106-107页 |
| 6.2 展望 | 第107-109页 |
| 参考文献 | 第109-130页 |
| 作者在攻读博士学位期间公开发表的论文 | 第130-131页 |
| 作者在攻读博士学位期间所作的项目 | 第131-132页 |
| 致谢 | 第132-133页 |
| 附录Ⅰ 中英文对照表 | 第133-134页 |
| 附录Ⅱ 数据集 | 第134-137页 |
| 附录Ⅲ 代码相关 | 第137页 |