- 综合排序
- 最热优先
- 最新优先
非平衡合成方法与AI结合如何加速材料发现过程？
非平衡合成方法与AI结合通过以下机制显著加速材料发现过程：[C132-C136]1. 突破传统材料设计限制非平衡合成方法（如火焰喷雾热解、放电等离子体等）能克服热力学障碍，将传统方法不相容的元素整合到单相高熵材料中[C11][C16][C120]例如，火焰喷雾热解已成功合成包含25种元素的高熵氟化物氧化物 AI驱动的数据闭环优化正向设计：AI模型基于材料组成、结构与性能的数据库预测新材料的性能[C133]逆向设计：AI通过全局优化算法提出目标性能的候选材料组成[C133]闭环迭代：非平衡合成的高通量实验提供验证数据 高通量合成与AI协同非平衡方法（如激光烧蚀、闪光焦耳加热）支持分钟级合成数十种成分的纳米材料[C126][C214]气溶胶技术（火焰喷雾热解、喷雾干燥）通过连续流程可单日生产288种样品，切换前体溶液即可实现高通量 未来发展方向建立非平衡合成数据库：记录极端条件下材料形成路径（如超快加热中的原子扩散动力学）[C31][C33]开发多尺度AI模型：结合分子动力学（MD）模拟与实验数据，预测非平衡相变[C30][C44
10910编辑于 2026-01-17- 来自专栏硬件工程师
平衡传输与非平衡传输
发送端将信号调制成为对称的信号用双线发送，称为平衡发送； 接收端采用对称接收称为平衡接收； 例如差动电路就是一种平衡方式。 发送如采用单线（对应有参考电平），称为非平衡发送； 接收端采用非对称接收（单线接收对应一个基准电平）称接收为非平衡接收。 平衡传输是指信号传输线的有两个输入端，一个地线。 不平衡传输是指信号传输线的有一个输入端，一个地线。 当有共模干扰存在时，由于平衡传输的两个端子上受到的干扰信号数值相差不多，而极性相反，干扰信号在平衡传输的负载上可以互相抵消，所以平衡电路具有较好的抗干扰能力。 不平衡传输：又叫单端通讯 如RS232：在9600pbs时，普通双绞屏蔽线时，距离可达30-35米 平衡传输，又叫差分传输方式 如RS422，RS485，LVDS等 RS485：在100KbpS的传输速率下
1.4K10编辑于 2022-08-29 - 来自专栏人工智能快报
AI系统能帮助合成新材料
麻省理工学院的三位材料科学家及其同事发表的论文中，描述其 AI系统可通过科学论文和提取“食谱”合成特定类型的材料。 2017年11月，美国麻省理工学院的三位材料科学家及其同事发表论文，描述了一种新的人工智能系统，可钻研科学论文并提取“配方”，合成特定类型的材料。 “‘可合成性’是材料科学中重要概念，但缺乏好的基于物理的描述。” 将大数据和人工智能技术用于材料科学研究的美国公司Citrine Informatics创始人暨首席科学家指出，“因此，预期材料合成方面的难以理解多年来一直阻碍了新材料的计算平台发展。 研究人员在这项研究中采用了数据驱动的新颖方法来描绘材料合成，为使我们在计算方面确定有令人激动的特性且能在实验室中实际合成的材料作出了重要贡献。”
1K40发布于 2018-03-15 非平衡合成方法如何克服热力学障碍实现不相容元素的混合？
非平衡合成方法通过以下机制克服热力学障碍实现不相容元素的混合：非平衡合成方法利用超快加热和淬火过程，使系统在原子扩散和相分离发生之前就被"冻结"在特定状态，从而克服传统热力学平衡的限制[C6][C27] [C120]这些方法通过动力学控制捕获亚稳相，使在平衡条件下会因正混合焓(ΔH_mix > 0)而分离的元素能够实现均匀混合[C16][C20]在极端条件下，非平衡合成允许形成短暂、局部的准平衡状态， 在长程扩散变得显著之前，实现快速成核、短程均匀化和动力学捕获的混合[C33]通过增加构型熵(ΔS_mix)，非平衡合成可以降低系统的总吉布斯能(ΔG_mix = ΔH_mix - T·ΔS_mix)，促进单相固体溶液的形成 [C20]超快反应环境打破了传统热力学平衡限制，使元素能够达到在平衡条件下无法实现的混合状态，例如在毫秒甚至纳秒时间内实现原子级均匀混合[C27][C120]这些方法利用极端温度梯度和超短时间窗口，通过动力学途径而非热力学途径实现材料形成 ，使不相容元素能够在亚稳态或高熵结构中共存[C30][C120]这些非平衡技术包括闪光焦耳加热、火焰喷雾热解、放电等离子体、激光烧蚀、微波加热、喷雾干燥、机械化学合成、超声合成、超快光闪合成、电线电爆炸和莱顿弗罗斯特液滴爆炸等方法
11610编辑于 2026-01-17- 来自专栏人工智能头条
处理非平衡数据的七个技巧
摘要：本文介绍了在入侵检测、实时出价等数据集非常不平衡的领域应用的数据处理技术。 然而，大多数机器学习算法对于这种不平衡的数据集不能很好地工作。以下七个技巧可以帮助您训练分类器来检测异常类。 ? 使用正确的评估指标 对于使用不平衡数据生成的模型，应用不当的评估指标可能是危险的。 有两种方法可以从不平衡数据集中生成出平衡的数据集：欠抽样和过抽样。 欠抽样 欠抽样通过减少多数类（数据量占大多数的类别）的样本量来平衡数据集。当数据量足够大时可以使用此方法。 它通过增加稀有类的样本量来平衡数据集。新的稀有类数据可以通过复制，自举法或SMOTE[1]（合成过抽样技术）以及其他类似技术来生成。 需要注意，没有一种绝对正确的重抽样方法。 但事实上，如果模型适用于不平衡数据，就不需要重新采样数据了。 著名的XGBoost已经是一个很好的起点，如果数据集没有过度倾斜，因为它内部照顾到训练集的平衡性。
61020发布于 2018-07-20 - 来自专栏AI研习社
非平衡数据集 focal loss 多类分类
本教程将向您展示如何在给定的高度不平衡的数据集的情况下，应用焦点损失函数来训练一个多分类模型。 背景 让我们首先了解类别不平衡数据集的一般的处理方法，然后再学习 focal loss 的解决方式。 在多分类问题中，类别平衡的数据集的目标标签是均匀分布的。 若某类目标的样本相比其他类在数量上占据极大优势，则可以将该数据集视为不平衡的数据集。 对这种高度不平衡的数据集的分类问题，若某模型简单猜测所有输入样本为“正常”就可以达到733 /（733 + 1）= 99.86％的准确度，这显然是不合理。 α（alpha）：平衡focal loss ，相对于非 α 平衡形式可以略微提高它的准确度。 现在让我们把训练好的模型与之前的模型进行比较性能。
4.1K30发布于 2019-05-08 - 来自专栏AI研习社
Github 项目推荐 | GAN 非平稳纹理合成
该库是论文「Non-stationary texture synthesis using adversarial expansions.」的官方代码。
64130发布于 2018-07-26 - 来自专栏光芯前沿
非互易＋非易失磁光材料异质集成实现高性能光子存内计算
UCSB和东京工业大学的团队在NP上报道了利用非互易磁光效应材料与集成光波导器件的异质集成，实现高速（1GHz）、高效（143fJ/bit）、高可靠性（24亿次循环）的光子存内计算架构。 磁光材料其实就是应用在空间光隔离器里边的Ce:YIG材料，利用法拉第旋光效应，产生一个与传播方向相关的非互易磁光相移。磁光相移的大小跟磁场强度相关。 国际上有两个比较厉害的团队在做磁光材料和集成光的异质集成，将非互易特性引入到芯片上去。 速率的话他们测下来可以达到1Gbps，在非易失材料里边算是很快的了，实现实现快速的权重迭代。而且这种电流型驱动的功耗也低。寿命测试的话也没啥意外的，毕竟磁存储的寿命摆在那了。 磁和集成光的结合领域，研究的人不是很多，所以可能还有挺多可以去探索的地方，比如电磁型的波导mems、磁光材料跟双折射波导（铌酸锂等）的结合、非互易特性与非线性的结合等。
39510编辑于 2025-04-08 - 来自专栏光芯前沿
光子存内计算硬件架构：从相变材料到非互易磁光材料的可扩展之路
二、权重固定架构：相变化材料与非互易磁光器件的应用与挑战 （一）相变材料的光子存储与计算 相变材料（如硫系玻璃）可在玻璃态（非晶态）和晶态间切换，伴随折射率的显著变化，这一特性使其在光域和电域均可存储信息 多功能存储单元 结合非易失性相变材料的大幅改变和易失性高速权重更新的小幅调整。 例如，在环形谐振器中集成相变材料和PN调制器，反向偏置PN结可快速调制（易失性调谐），正向偏置则加热相变材料实现非易失粗调，通过两者结合可提高精度并减少材料重写次数，延长架构寿命。 不过，当前低损耗的Sb2Se3相变化材料耐久性有限，仍是研究重点。 2. 非互易磁光器件 受光环形器和高速磁光调制器等研究启发，提出非互易光子内存计算平台。 该平台由非易失性非互易环形谐振器记忆单元组成，利用磁光材料中磁场方向不同导致的顺时针和逆时针模式相位差，通过平衡光电探测可得到正负数值。
59310编辑于 2025-06-11 台州学院王家成团队综述：焦耳热冲击非平衡合成金属单原子催化剂——从原子锚定到工业级构筑
焦耳加热（Joule Heating, JH）技术以毫秒级超高温（>3500 K）冲击、极速冷却（>10⁴ K s⁻¹）为特征，为非平衡态单原子合成提供了革命性途径，有望突破上述技术瓶颈，实现从“克级” 文章首次从“理论-设备-材料-功能”四维视角，全面总结了JH合成贵金属（Pt、Pd、Ru）和非贵金属（Fe、Co、Ni、Cu、Zn）SACs的最新进展；通过与传统方法对比，凸显JH在原子分散效率、负载量 焦耳加热的核心理论焦耳加热合成金属单原子材料的理论核心在于毫秒级非平衡热力学与强金属-载体相互作用的协同：当电流脉冲在<2 s内将体系推至1500–3500 K时，金属盐瞬时裂解为原子蒸汽，超快升温（> 间接加热 ：非导电样品置于导电基板上，通过热传导加热（图3b(2)），拓展了载体选择范围。 2）管式设备：单管设计 ：导电粉末（如碳）填充石英管，实现克级量产（图3c）。 图1：焦耳加热制备金属单原子材料的综合示意图图2：焦耳加热技术发展历程时间轴图3：焦耳加热反应器结构分类与原理示意图4：典型金属单原子材料的焦耳加热参数汇总图5：贵金属单原子焦耳加热合成实例图6：非贵金属单原子焦耳加热合成策略图
54410编辑于 2025-07-19- 来自专栏AI科技评论
视频 | 深大推出新算法： GAN 非平稳纹理合成
由计算机图形学和AI相结合的领域称为纹理合成，周期性纹理合成比较简单，但是具有结构的纹理合成相当复杂，这篇论文的卖点在于，可以高效地同时把图像的内容和对称信息考虑进来。 例如，混凝土墙，树叶，布料都是我们现实世界中熟知的材料。 ? 有时候获取纹理的过程很简单，只需购买一个纹理包然后使用即可。 这一由计算机图形学和AI相结合的领域称为纹理合成，周期性纹理合成比较简单，但是具有结构的纹理合成相当复杂，这篇论文的卖点在于，可以高效地同时把图像的内容和对称信息考虑进来。 例如，它在合成木头的纹理的时候，知道要将纹理的同心性考虑进来，也可以适应水纹的规律性然后生成一个漂亮的高分辨率的结果。 ? 这是基于神经网路的技术，所以首要问题是——训练数据应该是什么样的？ ?
54620发布于 2018-07-27 - 来自专栏AI科技时讯
深度学习任务面临非平衡数据问题？试试这个简单方法
对于数据科学或机器学习研究者而言，当解决任何机器学习问题时，可能面临的最大问题之一就是训练数据不平衡的问题。本文将尝试使用图像分类问题来揭示训练数据中不平衡类别的奥秘。 ? 数据不平衡问题是什么？ 在一个分类问题中，当你想要预测一个或多个类中的样本数量极少时，可能会遇到数据中类不平衡的问题，即部分类的样本数量远远大于其它类中的样本数量。 不平衡课程造成问题主要是由于以下两个原因： 由于模型/算法从来没有充分地查看全部类别信息，对于实时不平衡的类别没有得到最优化的结果； 由于少数样本类的观察次数极少，这会产生一个验证或测试样本的问题，即很难在类中进行表示 合成取样（SMOT）：该技术要求综合地制造不平衡类的样本，类似于使用最近邻分类。问题是当观察的数目是极其罕见的类时不知道怎么做。 图像分类中的不平衡类 在本节中，将分析一个图像分类问题（其中存在不平衡类问题），然后使用一种简单有效的技术来解决它。
94230发布于 2019-08-16 - 来自专栏技术随笔
机器学习分类算法中怎样处理非平衡数据问题 (更新中)
---- Abstract 非平衡数据集是一个在现实世界应用中经常发现的一个问题，它可能会给机器学习算法中的分类表现带来严重的负面影响。目前有很多的尝试来处理非平衡数据的分类。 尽管处理非平衡数据问题的一个通常的做法是通过人为的方式，比如超采样或者降采样，来重新平衡数据，一些研究者证实例如修改的支持向量机，基于粗糙集的面向少数类的规则学习方法，敏感代价分类器等在非平衡数据集上面也表现良好 我们观察到目前在非平衡数据问题上面的研究正趋向于使用混合算法。 关键词：敏感代价学习，非平衡数据集，修改的SVM，超采样，降采样 1. 很多非平衡数据分类问题的解决方案之前都有人同时从数据层面和算法层面上提出过[3]。 [CSDN] 在分类中如何处理训练集中不平衡问题 1 | 2 [机器之心] 从重采样到数据合成：如何处理机器学习中的不平衡分类问题？
1.5K90发布于 2018-05-16 - 来自专栏镁客网
通过模仿叶蝉，科学家将用全新合成材料制造隐形斗篷 | 黑科技
研究人员认为，该研究结果可以被放大，最终可能会被用于各种材料中。 近日，宾夕法尼亚州立大学科学家研发了一种合成材料，该材料可吸收不同频率的光，从而起到覆盖并隐藏的作用。 该合成材料的研发成员Tak-Sing Wong称，他们研发出了一种与叶蝉汗液相似的微粒子，能够吸收99%的光，捕捉的光波从紫外线到可见光和近红外。但他们目前还没有通过这种方式成功的制造出隐形斗篷。
54500发布于 2018-05-30 北京石墨烯研究院&北京大学&清华大学Nature子刊：脉冲焦耳热诱导渗碳策略实现微米厚高结晶度石墨薄膜的秒级合成
本研究提出了一种“脉冲焦耳热诱导渗碳”（PJHIC）的非平衡合成策略。 该策略利用快速电热冲击（>1300°C，>300°C/s加热速率）在金属基底（镍、钴）中创造瞬态非平衡状态，极大地加速了碳原子的体扩散与析出过程。 特别地，h显示在镍的晶界沟槽处石墨局部增厚，表明晶界缺陷作为快速扩散通道，加速了碳的偏析与成核，进一步证实了非平衡状态下碳的超快输运特性。 总结展望总之，本研究提出并验证了一种基于脉冲焦耳热诱导渗碳（PJHIC）的非平衡碳通量工程策略，从根本上改变了传统石墨合成依赖稳态扩散的动力学限制。 该工作不仅为柔性热管理材料、电子屏蔽等领域的实际应用提供了高性能材料，更建立了一种将原子尺度精准控制与工业级制造效率相融合的非平衡合成新范式。
17710编辑于 2026-02-28电热耦合焦耳加热30秒实现硬碳超快合成
硬碳材料因其独特的非晶结构和优异的电化学性能，被视为理想的负极材料。 然而，传统硬碳合成依赖管式炉的长时间高温烧结（1000–1600°C，耗时2–10小时），存在显著缺陷：热传导不均导致温度梯度，引发非均匀碳化反应，造成结构退化和孔隙坍塌。 DFT计算进一步揭示电场通过降低C-C键解离能垒（0.2 eV），促进微孔结构的非平衡态形成。 总结展望本研究通过电热耦合机制揭示了硬碳材料合成过程中的时空演化规律，创新性地利用电流密度梯度的空间分布与焦耳热的时间演化实现微观结构重构。 本研究建立了"电热参数-时空演化-性能"的构效关系，为硬碳材料精准合成提供了时空工程新范式，推动钠离子电池设计进入时空调控新纪元，未来研究可进一步探索该技术在连续化生产中的工程放大及多元材料体系的普适性规律
58000编辑于 2025-07-13- 来自专栏机器之心
从重采样到数据合成：如何处理机器学习中的不平衡分类问题？
总观测 = 1000 欺诈性观察 = 20 非欺诈性观察 = 980 事件发生率 = 2% 这种情况下我们不重复地从非欺诈实例中取 10% 的样本，并将其与欺诈性实例相结合。 从少数类中把一个数据子集作为一个实例取走，接着创建相似的新合成的实例。这些合成的实例接着被添加进原来的数据集。新数据集被用作样本以训练分类模型。 总观测 = 1000 欺诈性观察 = 20 非欺诈性观察 = 980 事件发生率 = 2% 从少数类中取走一个包含 15 个实例的样本，并生成相似的合成实例 20 次。 生成合成性实例之后，创建下面的数据集 少数类（欺诈性观察）= 300 多数类（非欺诈性观察）= 980 事件发生率 = 300/1280 = 23.4 % 优点 通过随机采样生成的合成样本而非实例的副本 （SMOTE）来平衡不平衡数据集——该技术是试图通过创建合成实例来平衡数据集。
2.6K110发布于 2018-05-07 - 来自专栏DrugOne
. | DiffSyn: 一种用于材料合成规划的生成式扩散方法
DRUGONE 晶体材料（如沸石）的合成规划长期以来依赖经验驱动的试错过程，其根本原因在于材料结构与合成条件之间存在高度复杂且多对多的映射关系。 尽管计算材料学已经能够在结构层面预测大量潜在可合成材料，但“如何合成”仍是材料发现流程中的核心瓶颈。 研究人员提出 DiffSyn，一种基于生成式扩散模型的材料合成规划方法，通过学习五十年来文献中积累的两万余条合成配方，直接从目标材料结构和有机结构导向剂出发，生成一组具有统计意义的可行合成路径。 材料合成空间通常具有高维、多变量强耦合的特点，不同合成参数之间存在显著的非线性关系，同时单一结构往往对应多种可行的合成路线，而相同合成条件也可能生成多个竞争相。 这表明 DiffSyn 并非简单记忆文献数据，而是在统计层面内化了材料合成过程中的隐含规律。 图3：DiffSyn 学到的材料表示与结构–合成物理关系分析。
13620编辑于 2026-03-02 - 来自专栏企鹅号快讯
麻省理工学院通过新型人工智能系统用电脑可以合成新材料
上个月，麻省理工学院的三位材料科学家及其同事发表了一篇论文，讲述了一种新型人工智能系统，可以通过科学研究论文搜寻并提取用于生产特定类型材料的“配方”。 在论文中，研究人员使用这种自然机制来提供已广为人知的材料的替代配方，并且建议与真正的材料配方一致。 这篇新闻的主要作者是材料科学与工程专业的研究生爱德华·金(Edward Kim)。 他是一家提供大数据和人工智能技术的公司，并可以承担材料科学的研究工作。“因此，新型材料的电脑屏幕已经被无法进行预测材料的合成困扰了很多年。” Olivetti和他的同事们采用了一种依靠数据驱动的新型方法来映射材料的合成，并为我们不仅能够在计算机上识别具有令人兴奋的特性，而且可以对实验室中实际制造的材料做出重要的贡献。 由材料科技在线汇总整理。
1K100发布于 2018-01-23 - 来自专栏DrugAI
. | 利用大型语言模型实现可合成导向的材料重新设计
DRUGONE 研究人员提出了一种利用大型语言模型（LLMs）重新设计无合成可行性的无机晶体结构的新框架。与以往仅预测可合成性的研究不同，该方法能够将“不可合成”的材料转化为“可合成”的新结构。 结果显示，该方法能有效提升材料的可合成性，在对 100 个重新设计的高分材料中，有 34 个已在文献中被实验合成报道。 然而，计算预测的材料常常因实验合成困难而无法实现。传统的热力学稳定性指标（如形成能、凸包比较）虽可用于评估部分材料的可合成性，但难以捕捉复杂的实验条件及亚稳态材料的多样性。 数据驱动的可合成性预测方法逐渐兴起，通过机器学习模型学习已合成与未合成材料的结构特征，可较准确地预测新材料的可合成性。 未来研究方向包括： 将方法扩展至更大原子数体系（如 OQMD 数据库）； 引入热力学与动力学信息以提高物理一致性； 构建平衡正负样本的高质量合成数据库； 探索“学习–再生”（Learn-and-Regenerate
15820编辑于 2026-01-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号