公共文化服务平台

一种材料元素重要性排序方法及系统: 本发明公开了一种材料元素重要性排序方法及系统，涉及材料科学与机器学习交叉技术领域，包括：获取不同元素含量占比下的材料电流密度和能量密度组合数据集；通过预测模型扩充组合数据集；对扩充数据集进行筛选，得到最优数据集；对不同元...; 刘晓彤王滋明杨涛郑丹妮

多保真度数据学习算法的定量噪声评价: 2023年; 多保真度数据是当前材料领域数据的主要存在形式。在数据生产端,不同量化方法在材料同种属性的计算上存在较大差距。对于数据消费端的机器学习算法,研究人员为最大化提取数据中知识设计了各种方法。采用定量噪声添加的方法,评价不同噪声强度、类型对不同多保真度数据学习方法的影响,通过迭代降噪验证数据修正方法的适用场景。结果表明:多保真度数据的利用方式至关重要,需对各子数据集中数据量及含噪情况进行综合考量。在使用不同噪声类型与强度构造出的多种数据集上,得益于数据间的协同效应,逐步删除低保真度数据的"Onion"训练方式明显优于按数据集所含噪声减小方向逐个进行的训练方式。在多保真度数据训练中,无论何种噪声强度及训练方式,线性噪声对模型的影响更小。对于采样噪声来说,在各环节更好地模拟了真实多保真度数据,建议被后续研究采用。此外,复杂噪声难以让少量真值数据发挥"纠偏"作用,更适合进行迭代降噪处理。; 刘晓彤王滋明欧阳嘉华杨涛

一种数据保真度评价方法及系统: 本发明公开了一种数据保真度评价方法及系统，涉及材料科学与机器学习交叉领域，其中方法包括以下步骤：获取多保真度数据集，采用多保真度数据集中数据量最小的数据集所包含的数据量；构建并改进预测模型，并利用改进后的预测模型对数据集...; 刘晓彤王滋明杨涛郑丹妮

机器学习设计新型有机分子研究进展被引量：2: 2021年; 新型有机分子一直是有机化学领域的研究重点,其在开发高性能材料方面具有重要意义.传统的有机分子发现是一个类似于“炒菜”的试错过程,它耗时耗能且效率相对低下.常见的量子化学方法试图根据期望属性值筛选出合理的分子结构,以更好地指导实验,然而,由于计算资源相对于算法复杂度严重不足,精确给出实验指导在大多数情况下难以实现.近年来机器学习的出现改变了这种情况,训练好的模型可以快速推测出分子的属性.更令人兴奋的是机器学习可以逆向进行分子设计,拓宽人类的想象力,给出其在分子设计领域的“神之一手”.本综述首先介绍了逆向分子设计所必须的分子描述方式,随后对几种常见的深度生成模型加以归纳,对新型有机分子设计研究现状进行了总结,最后探讨了新型有机分子设计所面临的挑战,展示了笔者做出的部分探索.; 谭胖刘旭红谌彤童秦智慧杨涛刘晓彤刘秀磊; 关键词：BASE64编码

关于新时期保护投资者利益的思考被引量：1: 2006年; 中国证券市场已成为社会主义市场经济的重要组成部分,在中国,对投资者的保护中存在着许多问题,本着优化证券市场环境、保护投资者利益的目的,应通过完善证券市场法规建设,推进股权分置改革等措施加以完善。; 杨涛唐五湘刘志辉; 关键词：投资者利益信息披露股权分置中介机构

社区银行:我国村镇银行发展的方向: 2012年; 村镇银行在制度设计上具有明确的定位。在制度框架允许的范围内,村镇银行要实现自身的可持续发展,必须具备明确的发展方向和定位,而社区银行的发展模式则是村镇银行未来发展的选择。; 杨涛; 关键词：银行

技术转移体系建设研究: 国家技术转移体系是国家技术创新体系的一个重要环节，是提升国家竞争力的有力保障，因此，有必要建立完善的技术转移体系。本研究旨在通过对国内外技术转移理论的回顾与学习、研究和分析，比较国际先进经验并结合中国技术转移...; 杨涛; 关键词：技术转移技术转移体系技术创新; 文献传递

基于数据增广的小样本材料属性预测: 2023年; 如何提升数据可用性是机器学习应用在材料属性预测任务中的一大挑战。对此,提出了一种基于数据增广的小样本材料属性预测方法。针对公开发布的Matbench屈服强度属性预测任务,仅使用312个数据样本,应用全连接神经网络对属性进行预测。首先,去除降低模型性能的元素,提高数据质量;然后,使用线性插值扩充数据集;最后,对神经网络进行建模和训练,预测屈服强度属性。相比于最优基线模型MODNet,该方法的平均绝对误差降低了4.97%。; 李丹董赞强杨涛佟强谭胖刘秀磊; 关键词：屈服强度神经网络

机器学习结合分子SMILES特征预测油品碳正离子生成焓性质: 2025年; 碳正离子是油品加工等多种化学反应中的关键中间体,其热力学生成焓性质在计算反应焓变、反应能垒、反应速率常数和理解反应机理等方面至关重要。实验上制备和获取碳正离子非常困难,无法直接测量其生成焓性质。目前,主流的做法是通过基团加和法估算,或者通过高精度量子化学方法计算。前者是经验性估算方法,计算快速但误差较大,后者通常基于第一性原理方法,计算精准但计算量巨大。本研究提出一种利用机器学习结合分子SMILES特征进行碳正离子生成焓预测的新方法,实现了以较低计算成本快速准确地预测油品碳正离子的生成焓性质。构建了156个油品烃类碳正离子数据集,利用SMILES特征提取体系信息,考察并利用多个机器学习方法进行模型的训练和构建,获得一个基于支持向量机回归的预测模型,其在训练集和测试集上的决定系数R^(2)达到了0.957和0.966,同时预测的平均绝对误差MAE为2.21 kcal/mol。机器学习结合SMILES特征不仅为油品碳正离子的生成焓预测提供了一种高效实用的策略,还为相关反应过程的热力学和动力学研究开辟了新途径。; 詹志文杨涛杨涛刘旭红周利平; 关键词：碳正离子生成焓

渝B2-20050021-1　渝公网安备 50019002500403号　违法和不良信息举报中心　互联网出版许可证　新出网证(渝)字10号

杨涛