人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)與應(yīng)用課件

1、人工神經(jīng)網(wǎng)絡(luò)技術(shù)與應(yīng)用 1第四節(jié)人工神經(jīng)網(wǎng)絡(luò)技術(shù)引 言1生物神經(jīng)元2人工神經(jīng)元3人工神經(jīng)網(wǎng)絡(luò)的模型分類42第4.1節(jié) 引 言4.1.1人工神經(jīng)網(wǎng)絡(luò)發(fā)展簡史4.1.2人工神經(jīng)網(wǎng)絡(luò)的特性4.1.3人工神經(jīng)網(wǎng)絡(luò)研究的基本內(nèi)容34.1 人工神經(jīng)網(wǎng)絡(luò)發(fā)展簡史1943年1943-1969初創(chuàng)期 心理學(xué)家McCulloch和數(shù)學(xué)家Pitts提出形式神經(jīng)元數(shù)學(xué)模型（MP模型），揭開神經(jīng)科學(xué)理論的新時(shí)代。 Hebb提出改變神經(jīng)元連接強(qiáng)度的Hebb規(guī)則。 Rosenblatt提出感知器概念，由閾值型神經(jīng)元組成，試圖模擬人的感知、學(xué)習(xí)能力。 Minsky與Papert發(fā)表Perceptrons。1944年1957年

2、1969年44.1.1 人工神經(jīng)網(wǎng)絡(luò)發(fā)展簡史1982年1970-1986過渡期Hopfield提出了HNN模型，引入“計(jì)算能量函數(shù)”概念，給出網(wǎng)絡(luò)穩(wěn)定性判據(jù)。Boltzmann機(jī)提出，設(shè)計(jì)、研制電子電路，為工程實(shí)現(xiàn)指明方向。 Rumelhart等PDP（并行分布式處理）研究小組提出了多層前向傳播網(wǎng)絡(luò)的BP算法，開辟了NN的應(yīng)用新途徑。1985年1986年5第4.1節(jié) 引 言4.1.1人工神經(jīng)網(wǎng)絡(luò)發(fā)展簡史4.1.2人工神經(jīng)網(wǎng)絡(luò)的特性4.1.3人工神經(jīng)網(wǎng)絡(luò)研究的基本內(nèi)容74.1.2 人工神經(jīng)網(wǎng)絡(luò)的特性非線性映射近似任意非線性映射，適用于非線性辨識與控制。通過訓(xùn)練具有歸納數(shù)據(jù)的能力，更適用于非模型描

3、述的控制。 可在線運(yùn)行和信息融合，適用于復(fù)雜、大規(guī)模和多變量系統(tǒng)的控制。 硬件實(shí)現(xiàn)，神經(jīng)網(wǎng)絡(luò)成為具有快速和大規(guī)模處理能力的實(shí)現(xiàn)網(wǎng)絡(luò)?？蓪W(xué)習(xí)適應(yīng)與集成硬件實(shí)現(xiàn)具有高度的并行結(jié)構(gòu)和并行實(shí)現(xiàn)能力，適用于在線控制。并行性84.1.3 人工神經(jīng)網(wǎng)絡(luò)研究的基本內(nèi)容理論研究應(yīng)用研究實(shí)現(xiàn)研究單神經(jīng)元數(shù)學(xué)模型神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法神經(jīng)網(wǎng)絡(luò)泛化能力神經(jīng)網(wǎng)絡(luò)動力學(xué)圖像處理與識別語音信號處理與識別 數(shù)據(jù)的存儲與記憶 組合優(yōu)化 復(fù)雜系統(tǒng)控制硬件實(shí)現(xiàn)電路NN模型的通用硬件系統(tǒng)（神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)）Matlab神經(jīng)網(wǎng)絡(luò)工具箱104.2.1生物神經(jīng)元的結(jié)構(gòu)4.2.2生物神經(jīng)元的信息處理機(jī)制第4.2節(jié) 生物神經(jīng)元11來自

4、其它細(xì)胞軸突的神經(jīng)末稍軸突樹突細(xì)胞膜神經(jīng)末稍來自其它細(xì)胞軸突的神經(jīng)末稍軸突樹突突觸細(xì)胞膜神經(jīng)末稍細(xì)胞體細(xì)胞核細(xì)胞體細(xì)胞核細(xì)胞質(zhì)細(xì)胞膜樹突：胞體上短而多分支的突起，相當(dāng)于神經(jīng)元的輸入端，接收傳入的神經(jīng)沖動。軸突（神經(jīng)纖維）：胞體上最長枝的突起，端部有很多神經(jīng)末梢，傳出神經(jīng)沖動。細(xì)胞膜電位：神經(jīng)細(xì)胞在受到電的、化學(xué)的、機(jī)械的刺激后能產(chǎn)生興奮，此時(shí)細(xì)胞膜內(nèi)外有電位差，稱為膜電位，其電位膜內(nèi)為正，膜外為負(fù)。4.2.1 生物神經(jīng)元的結(jié)構(gòu)12來自其它細(xì)胞軸突的神經(jīng)末稍軸突樹突細(xì)胞膜神經(jīng)末稍來自其它細(xì)胞軸突的神經(jīng)末稍軸突樹突突觸細(xì)胞膜神經(jīng)末稍細(xì)胞體細(xì)胞核興奮與抑制：若傳入神經(jīng)元的沖動經(jīng)整合后使細(xì)胞膜電位升高

5、，超過動作電位的閾值時(shí)即為興奮狀態(tài)，產(chǎn)生神經(jīng)沖動，由軸突經(jīng)神經(jīng)末梢傳出；若傳入神經(jīng)元的沖動經(jīng)整合后使細(xì)胞膜電位降低，低于閾值時(shí)即為抑制狀態(tài)，不產(chǎn)生神經(jīng)沖動。學(xué)習(xí)與遺忘：由于神經(jīng)元結(jié)構(gòu)的可塑性，突觸的傳遞作用可增強(qiáng)與減弱，因此神經(jīng)元具有學(xué)習(xí)與遺忘的功能。4.2.1 生物神經(jīng)元的結(jié)構(gòu)144.2.2 生物神經(jīng)元的信息處理機(jī)制神經(jīng)元形式化結(jié)構(gòu) 神經(jīng)元具有的特征1.時(shí)空整合空間整合時(shí)間整合時(shí)空整合輸入信號的影響會短時(shí)間地持續(xù)，和后到達(dá)的輸入信號的影響同時(shí)起作用，也就是說，神經(jīng)元對于不同時(shí)間通過同一突觸的輸入信號具有時(shí)間整合的功能。 15第4.3節(jié) 人工神經(jīng)元4.3.1人工神經(jīng)元的數(shù)學(xué)模型4.3.2人工神

6、經(jīng)元的激勵(lì)函數(shù)17出發(fā)點(diǎn)：模擬生物神經(jīng)元的結(jié)構(gòu)和功能，從數(shù)學(xué)角度抽象出來一個(gè)基本單元。神經(jīng)元模型：是生物神經(jīng)元的抽象和模擬；是人工神經(jīng)網(wǎng)絡(luò)的最基本組成部分；是一多輸入單輸出的非線性處理單元。神經(jīng)網(wǎng)絡(luò)直觀理解：神經(jīng)網(wǎng)絡(luò)是一個(gè)并行和分布式的信息處理網(wǎng)絡(luò)結(jié)構(gòu)，它一般由許多個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元只有一個(gè)輸出，它可以連接到很多其它的神經(jīng)元，每個(gè)神經(jīng)元輸入有多個(gè)連接通道，每個(gè)連接通道對應(yīng)于一個(gè)連接權(quán)系數(shù)。引言18 結(jié)構(gòu)數(shù)學(xué)描述輸入：狀態(tài)：輸出：通常有：則：: 閾值；: 輸入信號，可理解為其它神經(jīng)元的輸出；: 從ui到xj的連接權(quán)值（注意其下標(biāo)與方向）；: 外部輸入信號；: 神經(jīng)元的輸出4.3.1 人工神

7、經(jīng)元的數(shù)學(xué)模型19f閾值型分段線性型4.3.2 人工神經(jīng)元的激勵(lì)函數(shù)20Tan函數(shù)型T：比例因子，調(diào)整函數(shù)的上升坡度。T越大，f上升越慢；T越小，f上升越快，很快飽和。Sigmoid函數(shù)型4.3.2 人工神經(jīng)元的激勵(lì)函數(shù)21控制輸入對輸出的激活作用；對輸入、輸出進(jìn)行函數(shù)轉(zhuǎn)換；將可能無限域的輸入變換成指定的有限范圍內(nèi)的輸出。激勵(lì)函數(shù)的作用：4.3.2 人工神經(jīng)元的激勵(lì)函數(shù)22神經(jīng)元層次模型：僅研究單一神經(jīng)元的動態(tài)和自適應(yīng)特性，探索神經(jīng)元對輸入信息的處理和存儲能力。組合式模型：由多個(gè)不同神經(jīng)元組成，功能比單一神經(jīng)元強(qiáng)大。網(wǎng)絡(luò)層次模型：由多個(gè)相同神經(jīng)元組成的網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)的整體性能為研究重點(diǎn)。神經(jīng)系

8、統(tǒng)層次模型（多種網(wǎng)絡(luò)）：由多個(gè)不同性質(zhì)的神經(jīng)網(wǎng)絡(luò)構(gòu)成，以模擬生物神經(jīng)系統(tǒng)更復(fù)雜，更抽象的特性。4.4.1 根據(jù)組織和抽象層次分類24前向網(wǎng)絡(luò)特點(diǎn) 神經(jīng)元分層排列，組成輸入層、隱含層（可以有若干層）和輸出層； 每一層的神經(jīng)元只接收前一層神經(jīng)元的輸入； 各神經(jīng)元之間不存在反饋，信號在各層中順序傳播。典型網(wǎng)絡(luò)BP網(wǎng)絡(luò)，感知器4.4.2 根據(jù)連接方式和信息流向分類25特點(diǎn)網(wǎng)狀結(jié)構(gòu)；任兩個(gè)神經(jīng)元之間都有可能存在連接（反饋）。典型網(wǎng)絡(luò)Hopfield網(wǎng)絡(luò)，Boltzmann機(jī)網(wǎng)絡(luò)注：在無反饋的前向網(wǎng)絡(luò)中，信號一旦通過某個(gè)神經(jīng)元，過程就結(jié)束了。而在相互結(jié)合網(wǎng)絡(luò)中，信號在神經(jīng)元之間反復(fù)往返傳遞，網(wǎng)絡(luò)處在一種不

9、斷改變狀態(tài)的動態(tài)之中。相互結(jié)合型網(wǎng)絡(luò)（全互連）4.4.2 根據(jù)連接方式和信息流向分類27特點(diǎn) 前兩者的混合； 同層內(nèi)神經(jīng)元相互連接； 可以實(shí)現(xiàn)同一層內(nèi)神經(jīng)元之間的橫向抑制或興奮機(jī)制。這樣可以限制每層內(nèi)能同時(shí)動作的神經(jīng)元數(shù)，或者把每層內(nèi)的神經(jīng)元分為若干組，讓每組作為一個(gè)整體來動作。典型網(wǎng)絡(luò)回歸神經(jīng)網(wǎng)絡(luò)（RNN）混合型網(wǎng)絡(luò)（層內(nèi)互連）4.4.2 根據(jù)連接方式和信息流向分類28連接權(quán)的確定方法：（1）根據(jù)具體要求，直接計(jì)算出來，如Hopfield網(wǎng)絡(luò)作優(yōu)化計(jì)算時(shí)就屬于這種情況。（2）通過學(xué)習(xí)得到的，大多數(shù)人工神經(jīng)網(wǎng)絡(luò)都用這種方法。學(xué)習(xí)實(shí)質(zhì)：針對一組給定輸入Xp (p=1,2, N )，通過學(xué)習(xí)使網(wǎng)絡(luò)

10、動態(tài)改變權(quán)值，從而使其產(chǎn)生相應(yīng)的期望輸出Yd的過程。學(xué)習(xí)算法分類：有導(dǎo)師學(xué)習(xí)、無導(dǎo)師學(xué)習(xí)第4.5節(jié) 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)29偏差e注：在訓(xùn)練過程中，存在一個(gè)期望的網(wǎng)絡(luò)輸出。它是基于誤差來調(diào)整網(wǎng)絡(luò)權(quán)值的。應(yīng)用：感知器網(wǎng)絡(luò);多層前向傳播網(wǎng)絡(luò);oltzmann機(jī)網(wǎng)絡(luò)。有導(dǎo)師學(xué)習(xí)學(xué)習(xí)算法30注：網(wǎng)絡(luò)不存在一個(gè)期望的輸出，通過建立一個(gè)間接評價(jià)函數(shù)，對網(wǎng)絡(luò)的某種行為趨向作出評價(jià)，改變神經(jīng)網(wǎng)絡(luò)數(shù)值。應(yīng)用：ART網(wǎng)絡(luò)；Kohonen自組織網(wǎng)絡(luò)。無導(dǎo)師學(xué)習(xí)學(xué)習(xí)算法31強(qiáng)化學(xué)習(xí)把學(xué)習(xí)看做試探性評價(jià)（獎或懲）過程。學(xué)習(xí)機(jī)選擇一種動作作用于環(huán)境之后，使環(huán)境的狀態(tài)改變，并產(chǎn)生強(qiáng)化信號（獎或懲）反饋至學(xué)習(xí)機(jī)。學(xué)習(xí)機(jī)依據(jù)強(qiáng)化

11、信號與環(huán)境當(dāng)前的狀態(tài)，再選擇下一動作作用于環(huán)境，選擇的原則是使受到獎勵(lì)的可能性最大。可見，強(qiáng)化信號是環(huán)境對學(xué)習(xí)機(jī)學(xué)習(xí)結(jié)果的一個(gè)評價(jià)。再勵(lì)學(xué)習(xí)學(xué)習(xí)算法32相關(guān)學(xué)習(xí)：僅根據(jù)連接間的激活水平改變權(quán)系數(shù)。Hebb學(xué)習(xí)規(guī)則：糾錯(cuò)學(xué)習(xí)：根據(jù)輸出節(jié)點(diǎn)的外部反饋改變權(quán)系數(shù)。學(xué)習(xí)規(guī)則：無導(dǎo)師學(xué)習(xí)：學(xué)習(xí)表現(xiàn)為自動實(shí)現(xiàn)輸入空間的檢測和分類。關(guān)鍵不在于實(shí)際節(jié)點(diǎn)的輸出怎樣與外部的期望輸出相一致，而在于調(diào)整參數(shù)以反映所觀察事件的分布。學(xué)習(xí)規(guī)則33四、人工神經(jīng)網(wǎng)絡(luò)的典型模型迄今為止，有30多種人工神經(jīng)網(wǎng)絡(luò)模型被開發(fā)和應(yīng)用。1、自適應(yīng)諧振理論(ART)：此理論由格羅斯伯格提出，是一個(gè)根據(jù)可選參數(shù)對輸入數(shù)據(jù)進(jìn)行粗略分類的網(wǎng)絡(luò)。

12、ART-1用于二值輸入，而ART-2用于連續(xù)值輸入。ART的不足之處在于過分敏感，當(dāng)輸入有小的變化時(shí)，輸出變化很大。2、雙向聯(lián)想存儲器(BAM)：由科斯克(Kosko)開發(fā)，是一種單狀態(tài)互聯(lián)網(wǎng)絡(luò)，具有學(xué)習(xí)能力。BAM的缺點(diǎn)是存儲密度較低，且易于振蕩。3、Boltzmann機(jī)(BM)：由欣頓(Hinton)等人提出，建立在Hopefield網(wǎng)絡(luò)基礎(chǔ)上，具有學(xué)習(xí)能力，能夠通過一個(gè)模擬退火過程尋求答案。不過，其訓(xùn)練時(shí)間比BP網(wǎng)絡(luò)要長。344、反向傳播(BP)網(wǎng)絡(luò)：方向傳播訓(xùn)練算法是一種迭代梯度算法，用于求解前饋網(wǎng)絡(luò)的實(shí)際輸出與期望輸出間的最小均方差值。BP網(wǎng)絡(luò)是一種方向傳遞并能修正誤差的多層映射網(wǎng)絡(luò)

13、。當(dāng)參數(shù)適當(dāng)時(shí)，此網(wǎng)絡(luò)能夠收斂到較小的均方差，是目前應(yīng)用最廣泛的網(wǎng)絡(luò)之一。BP網(wǎng)絡(luò)的不足是訓(xùn)練時(shí)間較長，且易限于局部極小。5、對流傳播網(wǎng)絡(luò)(CPN)：是一個(gè)通常由5層組成的連接網(wǎng)。CPN可用于聯(lián)想存儲，其缺點(diǎn)是要求較多的處理單元。6、Hopefiled網(wǎng)：是一類不具有學(xué)習(xí)能力的單層自聯(lián)想網(wǎng)絡(luò)。Hopefield網(wǎng)絡(luò)模型由一組可使某個(gè)能量函數(shù)最小的微分方程組成。其不足在于計(jì)算代價(jià)較高，而且需要對稱連接。7、Madaline算法：是Adaline算法的一種發(fā)展，是一組具有最小均方差線性網(wǎng)絡(luò)的組合，能夠調(diào)整權(quán)值，使得期望信號與輸出間的誤差最小。此算法是自適應(yīng)信號處理和自適應(yīng)控制的得力工具，具有較強(qiáng)的

14、學(xué)校能力，但是輸入和輸出之間必須滿足線性關(guān)系。358、認(rèn)知機(jī)(neocogntion)是迄今為止結(jié)構(gòu)上最為復(fù)雜的多層網(wǎng)絡(luò)。通過無師學(xué)習(xí)，認(rèn)知機(jī)具有選擇能力，對樣品的平移和旋轉(zhuǎn)不敏感。不過，認(rèn)知機(jī)所用節(jié)點(diǎn)及其互連較多，參數(shù)也多且難選取。9、感知器(perceptron)：是一組可訓(xùn)練的分類器，為最古老的ANN之一，現(xiàn)已很少使用。10、自組織映射網(wǎng)(SOM)：以神經(jīng)元自行組織以校正各種具體模式的概念為基礎(chǔ)。SOM能夠形成簇與簇之間的連續(xù)映射，起到矢量量化器的作用。最典型的ANN模型(算法)及其學(xué)習(xí)規(guī)則和應(yīng)用領(lǐng)域如表。36三、BP網(wǎng)絡(luò) 感知器模型中神經(jīng)元的變換函數(shù)采用的是符號函數(shù)，因此輸出的是二值量

15、。它主要用于模式分類。多層前饋網(wǎng)具有相同的結(jié)構(gòu)，只是神經(jīng)元的變換函數(shù)采用S型函數(shù)，因此輸出量是0到1之間的連續(xù)量，它可實(shí)現(xiàn)從輸入到輸出的任意的非線性映射。由于連接權(quán)的調(diào)整采用的是反向傳播(Back Propagation)的學(xué)習(xí)算法，因此該網(wǎng)絡(luò)也稱為BP網(wǎng)絡(luò)。在多層前饋網(wǎng)絡(luò)中，第0層為輸入層，第Q層為輸出層，有nQ個(gè)輸出，中間層為隱層。設(shè)第q層(q=0,2,，Q)的神經(jīng)元個(gè)數(shù)為nq，輸入到第q層的第i個(gè)神經(jīng)元的連接權(quán)系統(tǒng)為 ： 371、標(biāo)準(zhǔn)BP算法設(shè)給定P組輸入輸出樣本： 利用該樣本集首先對BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，也即對網(wǎng)絡(luò)的連接權(quán)系數(shù)進(jìn)行學(xué)習(xí)和調(diào)整，以使該網(wǎng)絡(luò)實(shí)現(xiàn)給定的輸入輸出映射關(guān)系。經(jīng)過訓(xùn)練的

16、BP網(wǎng)絡(luò)，對于不是樣本集中的輸入也能給出合適的輸出。該性質(zhì)稱為泛化(generalization)功能。從函數(shù)擬和的角度，它說明BP網(wǎng)絡(luò)具有插值功能。382.4.1 BP神經(jīng)網(wǎng)絡(luò)模型三層BP網(wǎng)絡(luò)392.4.2 BP網(wǎng)絡(luò)的標(biāo)準(zhǔn)學(xué)習(xí)算法-學(xué)習(xí)過程正向傳播：輸入樣本輸入層各隱層輸出層判斷是否轉(zhuǎn)入反向傳播階段：若輸出層的實(shí)際輸出與期望的輸出（教師信號）不符誤差反傳誤差以某種形式在各層表示修正各層單元的權(quán)值網(wǎng)絡(luò)輸出的誤差減少到可接受的程度進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止4041第五節(jié) 人工神經(jīng)網(wǎng)絡(luò)在材料科學(xué)中的應(yīng)用用人工神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)材料設(shè)計(jì)優(yōu)化1 人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)材料工藝優(yōu)化2人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)材料性能預(yù)

17、測3基于人工神經(jīng)網(wǎng)絡(luò)的材料智能加工與智能控制4425.1 引言5.1.1材料設(shè)計(jì)簡介5.1.2材料設(shè)計(jì)的主要途徑5.1.3人工神經(jīng)網(wǎng)絡(luò)研究的基本內(nèi)容43一、什么是材料設(shè)計(jì) 材料設(shè)計(jì)（materials design），是指通過理論與計(jì)算預(yù)報(bào)新材料的組分、結(jié)構(gòu)與性能，或者說，通過理論設(shè)計(jì)來“訂做”具有特定性能的新材料。這當(dāng)然說的是人們所追求的長遠(yuǎn)目標(biāo)，并非目前就能充分實(shí)現(xiàn)的。盡管如此，由于凝聚態(tài)物理學(xué)、量子化學(xué)等相關(guān)基礎(chǔ)學(xué)科的深人發(fā)展，以及計(jì)算機(jī)能力的空前提高，使得材料研制過程中理論和計(jì)算的作用越來越大，直至變得不可缺少。 44關(guān)于材料設(shè)計(jì)，或者設(shè)計(jì)材料這類研究，迄今在國際上還沒有統(tǒng)一的流行術(shù)語

18、或提法。日本學(xué)者1985年就提出了“材料設(shè)計(jì)學(xué)”一詞，俄國學(xué)者把材料設(shè)計(jì)包括在“材料學(xué)”中。美國學(xué)者在90年代材料科學(xué)與工程報(bào)告中稱這類工作為材料“計(jì)算機(jī)分析與模型化”。我國1986年開始實(shí)施“863計(jì)劃”時(shí)，對新材料領(lǐng)域提出了探索不同層次微觀理論指導(dǎo)下的材料設(shè)計(jì)這一要求，因此，從那時(shí)起在“863”材料領(lǐng)域便設(shè)立了“材料微觀結(jié)構(gòu)設(shè)計(jì)與性能預(yù)測”研究專題。 45由此可見，雖然用語有所差別，但基本含義是共同的。從廣義來說，材料設(shè)計(jì)可按研究對象的空間尺度不同而劃分為三個(gè)層次：微觀設(shè)計(jì)層次，空間尺度在約1nm量級，是原子、電子層次的設(shè)計(jì)；連續(xù)模型層次，典型尺度在約 lm量級，這時(shí)材料被看成連續(xù)介質(zhì)，不

19、考慮其中單個(gè)原子、分子的行為；工程設(shè)計(jì)層次，尺度對應(yīng)于宏觀材料，涉及大塊材料的加工和使用性能的設(shè)計(jì)研究。 461、材料設(shè)計(jì)的發(fā)展概況1.1 前期研究的回顧 “材料設(shè)計(jì)”設(shè)想始于 20世紀(jì) 50年代。在 50年代初期，前蘇聯(lián)便開展了關(guān)于合金設(shè)計(jì)以及無機(jī)化合物的計(jì)算機(jī)預(yù)報(bào)等早期工作。那時(shí)前蘇聯(lián)衛(wèi)星上天，說明其使用的材料是先進(jìn)的。蘇聯(lián)人于1962年便在理論上提出人工半導(dǎo)體超晶格概念，不過當(dāng)時(shí)他們沒有提出如何在技術(shù)上加以實(shí)現(xiàn)的建議。后來到1969年，才正式從理論和實(shí)踐結(jié)合上提出了通過改變組分或摻雜來獲得人工超晶格。 4780年代中期日本材料界提出了用三大材料在分子原子水平上混合，構(gòu)成雜化材料的設(shè)想。1

20、985年日本出版了新材料開發(fā)與材料設(shè)計(jì)學(xué)一書，首次提出了“材料設(shè)計(jì)學(xué)”這一專門方向。書中介紹了早期的研究與應(yīng)用情況，并在大學(xué)材料系開設(shè)材料設(shè)計(jì)課程。1988年由日本科學(xué)技術(shù)廳組織功能性梯度材料（functionally gradient materials）的研究任務(wù)，提出將設(shè)計(jì)一合成一評估三者緊密結(jié)合起來，按預(yù)定要求做出材料。 481989年美國由若干個(gè)專業(yè)委員會在調(diào)查分析美國8個(gè)工業(yè)部門（航天、汽車、生物材料、化學(xué)、電子學(xué)、能源、金屬和通信）對材料的需求之后，編寫出版了90年代的材料科學(xué)與工程報(bào)告，對材料的計(jì)算機(jī)分析與模型化作了比較充分的論述。該報(bào)告認(rèn)為，現(xiàn)代理論和計(jì)算機(jī)技術(shù)的進(jìn)步，使得材

21、料科學(xué)與工程的性質(zhì)正在發(fā)生變化計(jì)算機(jī)分析與模型化的進(jìn)展，將使材料科學(xué)從定性描述逐漸進(jìn)人定量描述的階段。 49 近10年來，材料設(shè)計(jì)或材料的計(jì)算機(jī)分析與模型化日益受到重視，究其原因主要有以下幾點(diǎn)。 （1）固體物理、量子化學(xué)、統(tǒng)計(jì)力學(xué)、計(jì)算數(shù)學(xué)等相關(guān)學(xué)科在理 論概念和方法上有很大發(fā)展，為材料微觀結(jié)構(gòu)設(shè)計(jì)提供了理論基礎(chǔ)。 （2）現(xiàn)代計(jì)算機(jī)的速度、容量和易操作性空前提高。幾年前在數(shù)學(xué)計(jì)算、數(shù)據(jù)分析中還認(rèn)為無法解決的問題，現(xiàn)在已有可能加以解決；而且計(jì)算機(jī)能力還將進(jìn)一步發(fā)展和提高。50（5）以原子、分子為起始物進(jìn)行材料合成，并在微觀尺度上控制其結(jié)構(gòu)，是現(xiàn)代先進(jìn)材料合成技術(shù)的重要發(fā)展方向，例如分子束外延、納

22、米粒子組合、膠體化學(xué)方法等。對于這類研究對象，材料微觀設(shè)計(jì)顯然是不可缺少的并且是大有用武之地的。 51事實(shí)表明，現(xiàn)代材料科學(xué)研究必須深人到微觀層次。今天不僅是對材料物性的了解，還是對材料性能的表征，都要求深人到分子、原子以及電子層次。許多先進(jìn)材料的制備和加工過程，也已進(jìn)人“原子、級水平”。由單個(gè)原子聚合成簇，或形成零維、一維、三維材料，都屬于所謂“原子級工程”（atomically engineering）。又例如在今天各類關(guān)鍵技術(shù)上所使用的材料中，發(fā)生在材料表面和界面的現(xiàn)象，都要求從原子水平和化學(xué)鍵水平進(jìn)行了解，才能闡明其本質(zhì)。 52在未來超小型化的器件中起關(guān)鍵作用的材料，是由為數(shù)極少的原子

23、所組成，其中增加（或減少）一個(gè)原子（或電子）都將使其狀態(tài)發(fā)生明顯變化，例如單電子器件就是如此。這是對當(dāng)今材料科學(xué)理論和計(jì)算的挑戰(zhàn)。可見，原子水平上的材料設(shè)計(jì)必然受到高度重視，它在現(xiàn)代材料科學(xué)技術(shù)的發(fā)展中將起舉足輕重的作用。 53二、材料設(shè)計(jì)的主要途徑 概括地講，目前材料設(shè)計(jì)方法主要是在經(jīng)驗(yàn)規(guī)律基礎(chǔ)上進(jìn)行歸納或從第一性原理出發(fā)進(jìn)行計(jì)算（演繹），更多的則是兩者相互結(jié)合與補(bǔ)充。材料設(shè)計(jì)的主要途徑可分為如下幾類。1、材料知識庫和數(shù)據(jù)庫技術(shù) 數(shù)據(jù)庫是隨著計(jì)算機(jī)技術(shù)的發(fā)展而出現(xiàn)的一門新興技術(shù)。材料知識庫和數(shù)據(jù)庫就是以存取材料知識和性能數(shù)據(jù)為主要內(nèi)容的數(shù)值數(shù)據(jù)庫。54 計(jì)算機(jī)化了的材料知識和性能數(shù)據(jù)庫具有一

24、系列優(yōu)點(diǎn)：如存貯信息量大、存取速度快、查詢方便。使用靈活；具有多種功能，如單位轉(zhuǎn)換及圖形表達(dá)等；已獲得廣泛應(yīng)用，并可以與CAD、CAM配套使用，也可與人工智能技術(shù)相結(jié)合，構(gòu)成材料性能預(yù)測或材料設(shè)計(jì)專家系統(tǒng)等。與早期數(shù)據(jù)的自由管理方式和文件管理方式相比，計(jì)算機(jī)的材料知識庫和性能數(shù)據(jù)庫還具有數(shù)據(jù)優(yōu)化、數(shù)據(jù)獨(dú)立、數(shù)據(jù)一致，以及數(shù)據(jù)共享及數(shù)據(jù)保護(hù)等優(yōu)點(diǎn)。 55 在數(shù)據(jù)庫系統(tǒng)中，還有一個(gè)負(fù)責(zé)數(shù)據(jù)庫管理和維護(hù)的軟件系統(tǒng)，稱為數(shù)據(jù)庫管理系統(tǒng)。它負(fù)責(zé)數(shù)據(jù)庫的建立、操縱、管理和維護(hù)。數(shù)據(jù)庫管理系統(tǒng)又分為層次型、網(wǎng)絡(luò)型和關(guān)系型三種。關(guān)系型數(shù)據(jù)庫管理系統(tǒng)的出現(xiàn)，促進(jìn)了數(shù)據(jù)庫的小型化和普及化，使得在微機(jī)上配置數(shù)據(jù)庫系

25、統(tǒng)成為可能。 除了數(shù)據(jù)管理軟件外，數(shù)據(jù)的收集、整理和評價(jià)是建立數(shù)據(jù)庫的關(guān)鍵。一個(gè)材料數(shù)據(jù)庫通常應(yīng)包括材料的性能數(shù)據(jù)、材料的組分、材料的處理、材料的試驗(yàn)條件以及材料的應(yīng)用和評價(jià)等。56 當(dāng)前，國際上的材料數(shù)據(jù)庫正朝著智能化和網(wǎng)絡(luò)化的方向發(fā)展。智能化是使材料數(shù)據(jù)庫發(fā)展成為專家系統(tǒng)；網(wǎng)絡(luò)化是將分散的、彼此獨(dú)立的數(shù)據(jù)庫相聯(lián)而成為一個(gè)完整系統(tǒng)。 利用大型知識庫和數(shù)據(jù)庫輔助材料設(shè)計(jì)的一個(gè)典型例于是日本三島良績和巖田修一等建立的計(jì)算機(jī)輔助合金設(shè)計(jì)（Computer Aid Alloy Design，簡稱CAAD）系統(tǒng)。這一項(xiàng)目得到日本政府的支持，任務(wù)是為未來的可控?zé)岷朔磻?yīng)爐設(shè)計(jì)和選擇材料。 57在大型計(jì)算機(jī)

26、中貯存了各種與合金設(shè)計(jì)有關(guān)的信息，其中包括各種元素的基本物理化學(xué)數(shù)據(jù)，合金相圖，合金物性的各種經(jīng)驗(yàn)方程式，各類合金體系的實(shí)驗(yàn)數(shù)據(jù)，各種合金的性能、用途以及有關(guān)文獻(xiàn)目錄等等。他們以元素的含量（百分?jǐn)?shù)）為坐標(biāo)，構(gòu)筑以70多種元素的含量為坐標(biāo)的多維空間，將上述各種信息記錄在該多維空間中，然后按設(shè)計(jì)步驟來實(shí)現(xiàn)計(jì)算機(jī)輔助合金設(shè)計(jì)。 582、材料設(shè)計(jì)專家系統(tǒng) 材料設(shè)計(jì)專家系統(tǒng)是指具有相當(dāng)數(shù)量的與材料有關(guān)的各種背景知識，并能運(yùn)用這些知識解決材料設(shè)計(jì)中有關(guān)問題的計(jì)算機(jī)程序系統(tǒng)。在一定范圍和一定程度上，它能為某些特定性能材料的制備提供指導(dǎo)，以幫助研究人員進(jìn)行新材料的開發(fā)。專家系統(tǒng)的研究始于20世紀(jì)60年代中期，

27、近年來應(yīng)用范圍越來越廣。最簡單（原始）的專家系統(tǒng)包括一個(gè)知識庫和一個(gè)推理系統(tǒng)。專家系統(tǒng)還可以連接（或包括）數(shù)據(jù)庫、模式識別、人工神經(jīng)網(wǎng)絡(luò)以及各種運(yùn)算模塊。這些模塊的綜合運(yùn)用可以有效地解決設(shè)計(jì)中的有關(guān)問題。59 最理想的專家系統(tǒng)是從基本理論出發(fā)，通過計(jì)算和邏輯推理，預(yù)測未知材料的性能和制備方法。但由于制約材料結(jié)構(gòu)和性能的因素極其復(fù)雜，在可以預(yù)見的將來，這種完全演繹式的專家系統(tǒng)還難以實(shí)現(xiàn)。目前的專家系統(tǒng)是以經(jīng)驗(yàn)知識和理論知識相結(jié)合（即歸納與演繹相結(jié)合）為基礎(chǔ)的。 60 材料設(shè)計(jì)專家系統(tǒng)大致有以下幾類。 1）以知識檢索、簡單計(jì)算和推理為基礎(chǔ)的專家系統(tǒng) 由于材料科學(xué)研究需要的知識面廣，有關(guān)資料極其龐雜

28、，任何一位專家都不可能記住全部有關(guān)資料，所以單靠個(gè)人就會喪失許多靈活運(yùn)用這些資料的機(jī)會。利用計(jì)算機(jī)則可以彌補(bǔ)這個(gè)缺陷。61 2）以計(jì)算機(jī)模擬和運(yùn)算為基礎(chǔ)的材料設(shè)計(jì)專家系統(tǒng) 材料研究的核心問題之一是材料的結(jié)構(gòu)和性能關(guān)系。在對材料以物理、化學(xué)性能已經(jīng)了解的前提下，有可能對材料的結(jié)構(gòu)與性能關(guān)系進(jìn)行計(jì)算機(jī)模擬或用相關(guān)的理論進(jìn)行運(yùn)算，以預(yù)報(bào)材料性能和制備方案。623）以模式識別和人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的專家系統(tǒng) 模式識別和人工神經(jīng)網(wǎng)絡(luò)是處理受多種因子影響的復(fù)雜數(shù)據(jù)集。用于總結(jié)半經(jīng)驗(yàn)規(guī)律的有力工具。材料設(shè)計(jì)中兩個(gè)核心問題是結(jié)構(gòu)一性能關(guān)系和制備工藝一性能關(guān)系。這兩類關(guān)系都受多種因素的制約，故可用模式識別或人工神

29、經(jīng)網(wǎng)絡(luò)（或二者結(jié)合）從已知實(shí)驗(yàn)數(shù)據(jù)集中總結(jié)出數(shù)學(xué)模型，并據(jù)此預(yù)報(bào)未知材料的性能和達(dá)到此性能的優(yōu)化配方及優(yōu)化工藝。63 除上述三類外，近年來還發(fā)展了以材料智能加工為目標(biāo)的材料設(shè)計(jì)專家系統(tǒng)。材料智能加工是材料設(shè)計(jì)研究的新發(fā)展，其目標(biāo)是通過在位傳感器在材料制造過程中采集信息，并輸人智能控制以實(shí)現(xiàn)控制決策，使制備中的材料能循著最佳途徑成為性能優(yōu)良、穩(wěn)定以及成品率高的材料。材料智能加工研究始于 20世紀(jì) 80年代中期，已在大直徑砷化鎵單 備、碳纖維增強(qiáng)碳素復(fù)合材料制備以及粉末熱壓和噴射成形等方面得到應(yīng)用并取得良好效果。 64四、模式識別-人工神經(jīng)網(wǎng)絡(luò)方法作為人工智能的一種方法, 模式識別-人工神經(jīng)網(wǎng)絡(luò)方法自8