基于機(jī)器學(xué)習(xí)算法的核電結(jié)構(gòu)材料性能預(yù)測

王 卓 朱 虹 許 斌 顏達(dá)鵬 杜 華 羅 亮 崔予文，4

（1.中南大學(xué)輕合金研究院，湖南 長沙 410083；2.成都材智科技有限公司，四川 成都 610041；3.中國核動力研究設(shè)計(jì)院核反應(yīng)堆系統(tǒng)設(shè)計(jì)技術(shù)重點(diǎn)實(shí)驗(yàn)室，四川 成都 610213；4.南京工業(yè)大學(xué)，江蘇 南京 210009）

自1954年第一座核電站在蘇聯(lián)建成至今已過去60多年，核能作為高效、清潔、安全的能源備受國際社會的關(guān)注，核電技術(shù)也隨之不斷發(fā)展、完善，更新到了第四代，展現(xiàn)出廣闊的應(yīng)用前景。隨著我國經(jīng)濟(jì)水平和綜合國力的不斷提升，對能源的需求也呈現(xiàn)遞增態(tài)勢，導(dǎo)致能源短缺問題日漸突出［1-3］。因此，核能作為目前唯一能達(dá)到大規(guī)模商用的替代能源，其發(fā)展可有效提高國家能源安全保障能力。我國核電工業(yè)發(fā)展大致經(jīng)歷了起步、適度發(fā)展和快速發(fā)展等3個階段，逐步形成了完整的研發(fā)設(shè)計(jì)、工程建造、運(yùn)行維護(hù)、燃料保障、設(shè)備配置、生產(chǎn)制造等全產(chǎn)業(yè)鏈體系，同時安全高效地發(fā)展核能成為我國能源電力發(fā)展戰(zhàn)略的重要組成部分［4-7］。

核電結(jié)構(gòu)材料的設(shè)計(jì)研發(fā)作為核電技術(shù)發(fā)展的關(guān)鍵，同樣也是核電站使用壽命和安全運(yùn)行的重要影響因素。福島核事故之后，國際對核電技術(shù)發(fā)展的安全性提出了更高要求，亟待尋找各項(xiàng)性能更具競爭力的新核電結(jié)構(gòu)材料來進(jìn)一步優(yōu)化核電效能，提高其壽命周期［8-10］。目前，我國在建和使用的核電結(jié)構(gòu)材料主要包括鎳基合金、奧氏體不銹鋼、低合金鋼和碳鋼等，其測試及服役常在高溫、高壓、強(qiáng)輻射等苛刻條件下進(jìn)行，性能數(shù)據(jù)獲取十分不易。然而，傳統(tǒng)材料開發(fā)方式步驟繁瑣，研發(fā)到應(yīng)用周期冗長且達(dá)不到預(yù)期性能效果，僅靠人力更無法挖掘材料特征與性能之間的深層聯(lián)系［11-12］。因此，在材料理論研究的發(fā)展過程中，人們將試驗(yàn)與計(jì)算模擬產(chǎn)生的數(shù)據(jù)整合形成一定規(guī)模的數(shù)據(jù)庫，在材料數(shù)據(jù)庫的基礎(chǔ)上，進(jìn)一步采用機(jī)器學(xué)習(xí)方法針對核電結(jié)構(gòu)材料的各項(xiàng)屬性建立代理模型（surrogate model），從而實(shí)現(xiàn)對材料性能的快速預(yù)測，例如Wicker等［13］采用支持向量機(jī)器學(xué)習(xí)算法預(yù)測了分子材料的結(jié)晶度；Stanev等［14］通過機(jī)器學(xué)習(xí)模型得到了模擬超導(dǎo)體的臨界溫度；Voyles等［15］通過機(jī)器學(xué)習(xí)算法提高了材料顯微鏡數(shù)據(jù)的質(zhì)量，以進(jìn)一步深挖材料信息。以上示例說明機(jī)器學(xué)習(xí)已在多行業(yè)多領(lǐng)域有了重要應(yīng)用，因此通過機(jī)器學(xué)習(xí)構(gòu)建核電結(jié)構(gòu)材料數(shù)據(jù)庫，不僅可以加快材料的設(shè)計(jì)進(jìn)程，縮短研發(fā)周期，還可為實(shí)現(xiàn)對材料目標(biāo)屬性或性能定制打開新的藍(lán)圖［16-17］。

本文對機(jī)器學(xué)習(xí)方法的主要思想和基本步驟進(jìn)行了概述，介紹了機(jī)器學(xué)習(xí)應(yīng)用平臺及其系統(tǒng)功能模塊和流程結(jié)構(gòu)，展示了機(jī)器學(xué)習(xí)系統(tǒng)通過模型構(gòu)建和應(yīng)用包裝兩種途徑對核電結(jié)構(gòu)材料性能進(jìn)行預(yù)測的步驟，對進(jìn)一步研究機(jī)器學(xué)習(xí)方法在核電結(jié)構(gòu)材料性能預(yù)測乃至新材料的發(fā)現(xiàn)方面具有參考意義。

1 機(jī)器學(xué)習(xí)原理和方法

機(jī)器學(xué)習(xí)（machine learning）是由模式識別、人工智能計(jì)算學(xué)習(xí)理論為基礎(chǔ)所轉(zhuǎn)變的一類計(jì)算機(jī)科學(xué)分支，其目的是根據(jù)大數(shù)據(jù)和歷史情況來訓(xùn)練模型［18-19］。一方面機(jī)器學(xué)習(xí)能夠在不明確潛在物理機(jī)制或沒有物理模型的情況下，從可用數(shù)據(jù)中獲取性能和預(yù)測發(fā)展趨勢；另一方面，已經(jīng)建立的機(jī)器學(xué)習(xí)模型可反過來用于材料的發(fā)現(xiàn)和性能設(shè)計(jì)。因此，作為人工智能核心之一的機(jī)器學(xué)習(xí)方法，現(xiàn)已在材料科學(xué)領(lǐng)域取得了一系列應(yīng)用成果，其中包括預(yù)測鋼疲勞強(qiáng)度、金屬催化活性、合金的物理機(jī)械性質(zhì)和光伏材料的鑒定等，成為材料發(fā)展的一種創(chuàng)新模式［20-23］。目前，可選擇不同的機(jī)器學(xué)習(xí)算法對大量材料數(shù)據(jù)集進(jìn)行性能參數(shù)的預(yù)測，不同算法對不同材料數(shù)據(jù)集中數(shù)據(jù)的敏感度也不同，需要對樣本數(shù)據(jù)進(jìn)行有針對性的選擇，然后再通過相對應(yīng)的性能評估手段進(jìn)行比較和評估。機(jī)器學(xué)習(xí)的性能預(yù)測模型工作流程如圖1所示。在建立模型之前，將原始材料數(shù)據(jù)集按比例劃分為訓(xùn)練集和測試集（如80%為訓(xùn)練集，20%為測試集），通過訓(xùn)練集中的數(shù)據(jù)對算法模型進(jìn)行訓(xùn)練，再利用訓(xùn)練后的模型對測試集中的數(shù)據(jù)進(jìn)行預(yù)測，最終得到模擬結(jié)果。

圖1 機(jī)器學(xué)習(xí)性能預(yù)測模型工作流程圖Fig.1 Workflow chart of machine learning prediction model

1.1 機(jī)器學(xué)習(xí)方法

目前，在建立模型時可用到的算法主要有隨機(jī)森林、支持向量回歸和神經(jīng)網(wǎng)絡(luò)等。

隨機(jī)森林（random forest）回歸算法是由Breiman于2001年提出的，其基本思想源于統(tǒng)計(jì)學(xué)理論［24］。隨機(jī)森林是由決策樹組合成的算法，用隨機(jī)方式建立很多決策樹而組成森林，決策樹間并沒有關(guān)聯(lián)，利用bootstrap［25］（又稱為自助法，用于估計(jì)或修正統(tǒng)計(jì)估計(jì)值的偏差或方差信息）在訓(xùn)練集中隨機(jī)抽取N個樣本，假設(shè)每個樣本構(gòu)造決策樹，通過所有決策樹預(yù)測值的平均值計(jì)算得出最終預(yù)測值。

支持向量機(jī)（support vector machine）是運(yùn)用支持向量機(jī)來解決回歸問題的方法，其基本思想是建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上，通過一個非線性映射φ，將數(shù)據(jù)x映射到高維特征空間F，在這個空間進(jìn)行線性回歸，其優(yōu)勢是可以解決小樣本數(shù)據(jù)集、非線性及高維模式識別，可以推廣至函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中［26］。

神經(jīng)網(wǎng)絡(luò)（neural network）算法是一種模仿生物神經(jīng)網(wǎng)絡(luò)（動物的中樞神經(jīng)系統(tǒng)，特別是大腦）的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計(jì)算模型，用于對函數(shù)進(jìn)行估計(jì)或近似。神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元聯(lián)結(jié)進(jìn)行計(jì)算，由輸入層、隱藏層（即中間層）和輸出層3層結(jié)構(gòu)組成［18］，其中輸入、輸出層的神經(jīng)元個數(shù)是根據(jù)具體問題來確定的，而中間層則通常由經(jīng)驗(yàn)確定，確定好結(jié)構(gòu)后可對其通過輸入輸出樣本集及逆行訓(xùn)練，網(wǎng)絡(luò)經(jīng)過訓(xùn)練后，輸入輸出的映射關(guān)系得以實(shí)現(xiàn)，設(shè)輸入1個訓(xùn)練樣本Xn，輸出層的神經(jīng)元為：

式中：I為隱藏層神經(jīng)元個數(shù)；N為訓(xùn)練樣本組數(shù)；J為輸出層神經(jīng)元個數(shù)；w為輸入層與輸出層間權(quán)值。基函數(shù)為高斯函數(shù)時，可表示為：

式中：σi為高斯函數(shù)方差；tim為基函數(shù)的中心；M為輸入層神經(jīng)元個數(shù)。

1.2 預(yù)測算法性能評估

通常采用均方誤差MSE（mean squared error）、均方根誤差RMSE （root mean squared error）、平均絕對誤差MAE（mean absolute error）作為學(xué)習(xí)器的泛化性能評價(jià)指標(biāo)，校正決定系數(shù)R2（adjusted R-square）則用以衡量預(yù)測值與實(shí)際值的吻合程度，計(jì)算公式為：

式中：m為樣本數(shù)量；yi為真實(shí)值；為預(yù)測值。前3個指標(biāo)根據(jù)不同的業(yè)務(wù)有不同的值，不具有可讀性，最后可根據(jù)R2的取值來判斷模型的優(yōu)劣，其取值范圍是［0，1］，如果是0，說明擬合效果很差，如果是1，說明模型準(zhǔn)確預(yù)測。

2 核電結(jié)構(gòu)材料機(jī)器學(xué)習(xí)系統(tǒng)功能使用流程

核電結(jié)構(gòu)材料在核電站的建設(shè)應(yīng)用中扮演著重要角色，其中合金占絕大部分，而且合金材料具有化學(xué)元素的多樣性。理論上這類材料的數(shù)據(jù)達(dá)上萬種，因此可作為機(jī)器學(xué)習(xí)預(yù)測材料性能甚至到設(shè)計(jì)新材料的理想應(yīng)用體系。本文選擇通過構(gòu)建機(jī)器學(xué)習(xí)平臺實(shí)現(xiàn)模型訓(xùn)練和模型應(yīng)用的雙功能，模型方面主要針對專業(yè)用戶，以工作流的方式實(shí)現(xiàn)用戶自定義算法、評價(jià)方法及數(shù)據(jù)預(yù)處理過程，完成機(jī)器學(xué)習(xí)模型的構(gòu)建，可重復(fù)進(jìn)行模型訓(xùn)練；應(yīng)用部分則可支持將模型配置成操作簡單的應(yīng)用供普通用戶直接使用，方便其完成機(jī)器學(xué)習(xí)預(yù)測，并得到性能預(yù)測結(jié)果和可視化分析。圖2是材料數(shù)據(jù)機(jī)器學(xué)習(xí)系統(tǒng)的基礎(chǔ)建設(shè)框架層級圖，以B/S架構(gòu)來構(gòu)建整個系統(tǒng)，從底層數(shù)據(jù)資源到應(yīng)用層面總共劃分為4個層級，應(yīng)用層面可滿足不同業(yè)務(wù)場景需求。

圖2 機(jī)器學(xué)習(xí)系統(tǒng)整體架構(gòu)圖Fig.2 Overall architecture diagram of machine learning system

材料數(shù)據(jù)機(jī)器學(xué)習(xí)系統(tǒng)的功能概覽如圖3所示，系統(tǒng)由首頁、數(shù)據(jù)源、模型及配置和應(yīng)用部分構(gòu)成。首頁可以直觀地顯示收藏的應(yīng)用和新發(fā)布的應(yīng)用，可支持搜索應(yīng)用；數(shù)據(jù)源部分主要包含用于材料數(shù)據(jù)機(jī)器學(xué)習(xí)的數(shù)據(jù)來源，支持連接外部數(shù)據(jù)源作為訓(xùn)練數(shù)據(jù)，可預(yù)覽其中每張表的數(shù)據(jù)，同時也支持結(jié)合前處理方法及算法訓(xùn)練數(shù)據(jù)模型；在模型及配置部分通過模型構(gòu)建器進(jìn)行模型構(gòu)建，在系統(tǒng)中能夠?qū)δＰ瓦M(jìn)行管理，控制模型發(fā)布和權(quán)限處理；最后到應(yīng)用部分，將配置好的模型包裝成界面美觀、操作簡單的應(yīng)用，可方便用戶閱覽并使用模型，對其產(chǎn)生的結(jié)果還可以進(jìn)行可視化分析。基于合金材料數(shù)據(jù)集，可通過機(jī)器學(xué)習(xí)平臺對其性能進(jìn)行預(yù)測，系統(tǒng)流程及演示將在下文進(jìn)行詳細(xì)描述。

圖3 材料數(shù)據(jù)機(jī)器學(xué)習(xí)系統(tǒng)功能概覽Fig.3 Overview of the material data machine learning system functions

2.1 數(shù)據(jù)連接

系統(tǒng)支持連接包括Excel、MySQL、iDataCenter在內(nèi)的多種數(shù)據(jù)庫，用戶登錄系統(tǒng)后點(diǎn)擊數(shù)據(jù)源Tab頁可管理當(dāng)前賬號下所有的材料合金數(shù)據(jù)庫及數(shù)據(jù)表，點(diǎn)擊數(shù)據(jù)庫右側(cè)即可出現(xiàn)數(shù)據(jù)庫詳情，可查看該數(shù)據(jù)庫類型、賬號密碼、配置信息及當(dāng)前更新時間等。用戶可以點(diǎn)擊新建數(shù)據(jù)連接，填寫參數(shù)后進(jìn)行測試，最后完成數(shù)據(jù)連接新建，系統(tǒng)操作界面及演示示例如圖4所示。

圖4 合金材料數(shù)據(jù)機(jī)器學(xué)習(xí)平臺數(shù)據(jù)連接演示示例Fig.4 Demonstration example of alloy material data connection on material data machine learning platform

2.2 模型構(gòu)建

模型功能是針對專業(yè)用戶配置的功能模塊，用于訓(xùn)練模型，可查看當(dāng)前賬號下已有模型或直接進(jìn)行模型編輯。如圖5所示，專業(yè)用戶登錄系統(tǒng)后，可點(diǎn)擊模型Tab頁進(jìn)入我的模型列表，也可切換至模型倉庫，頂部按鈕為新建模型，可進(jìn)行模型新建；右側(cè)可進(jìn)行篩選；最右側(cè)可進(jìn)行模型搜索；下面每一條對應(yīng)一個模型，從左到右依次是創(chuàng)建人、創(chuàng)建時間、訓(xùn)練進(jìn)度條和操作按鈕（包括發(fā)布、追加數(shù)據(jù)、參數(shù)修改和刪除）。模型建好后可直接點(diǎn)擊發(fā)布到模型倉庫，也可追加數(shù)據(jù)對模型進(jìn)行迭代，追加數(shù)據(jù)時可選擇數(shù)據(jù)源的某一張表，系統(tǒng)會自動根據(jù)名字匹配特征列與字段，用戶還可以進(jìn)行手動調(diào)整，等待該模型狀態(tài)變?yōu)榇\(yùn)行，即可重新使用。用戶點(diǎn)擊新建模型后，系統(tǒng)進(jìn)入新建模型，操作界面將顯示出一個類似于工作流的界面，前3個步驟可進(jìn)行基本信息、數(shù)據(jù)源和特征目標(biāo)的選擇，之后可進(jìn)行數(shù)據(jù)預(yù)處理或算法選擇。特征列、目標(biāo)列選擇后右側(cè)自動出現(xiàn)相關(guān)性分析圖表，分析方法默認(rèn)為最大信息系數(shù)（maximal information coefficient，MIC），其后有選取相關(guān)性靠前字段選項(xiàng)，分為前5、前10、前15、前x，點(diǎn)擊某個按鈕左側(cè)特征會自動取消選擇相關(guān)性不在該范圍內(nèi)的字段。數(shù)據(jù)預(yù)處理后進(jìn)行算法選擇，系統(tǒng)有線性回歸、BP（back propagation）神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林回歸、支持向量機(jī)回歸等算法可供選擇。

圖5 合金材料數(shù)據(jù)機(jī)器學(xué)習(xí)系統(tǒng)模型演示示例Fig.5 Demonstration example of alloy material data machine learning system model

如圖6所示，模型建立后進(jìn)入模型詳情頁，進(jìn)行模型訓(xùn)練，模型訓(xùn)練流程每一個節(jié)點(diǎn)右側(cè)均有標(biāo)識提示該步驟是否成功，失敗會顯示原因，后續(xù)步驟選項(xiàng)變灰。訓(xùn)練完成后可顯示模型概覽，包括模型基本信息、當(dāng)前狀態(tài)、MAE與R2評價(jià)結(jié)果以及評價(jià)數(shù)據(jù)量，最下方為實(shí)際值與測試值的偏差圖。

圖6 合金材料數(shù)據(jù)機(jī)器學(xué)習(xí)系統(tǒng)模型訓(xùn)練演示示例Fig.6 Demonstration example of alloy material data machine learning system model training

2.3 模型應(yīng)用

系統(tǒng)支持將模型配置為方便直接使用的模型應(yīng)用，同時支持在系統(tǒng)中測試應(yīng)用，發(fā)布后的應(yīng)用即可在模型應(yīng)用服務(wù)系統(tǒng)中供用戶使用。如圖7所示，普通用戶登陸系統(tǒng)后，點(diǎn)擊應(yīng)用Tab頁進(jìn)入應(yīng)用倉庫，此處可顯示該賬戶下所有應(yīng)用及基本信息，單擊標(biāo)題進(jìn)入應(yīng)用使用界面，可收藏應(yīng)用方便篩選使用。專業(yè)用戶進(jìn)入應(yīng)用列表頁可顯示創(chuàng)建的應(yīng)用包含已發(fā)布和未發(fā)布的應(yīng)用，還可以進(jìn)行應(yīng)用新建。進(jìn)入應(yīng)用新建界面后有3個步驟，分別是填入基本配置信息、選擇模型和輸入規(guī)范，完成后生成1個未發(fā)布的應(yīng)用，點(diǎn)擊發(fā)布按鈕后完成用戶使用權(quán)限的選擇，確定后發(fā)布應(yīng)用成功，也可取消發(fā)布。在應(yīng)用使用界面，可選擇數(shù)據(jù)輸入方式，支持單條輸入和多條輸入，無論什么輸入方式均在右側(cè)對特征值進(jìn)行實(shí)時校驗(yàn)，提醒輸入數(shù)據(jù)是否符合要求，沒有錯誤后可進(jìn)行實(shí)時計(jì)算，計(jì)算完成后跳轉(zhuǎn)回結(jié)果頁。結(jié)果頁可顯示預(yù)測結(jié)果，有簡略與詳細(xì)兩種模式，可手動切換。

圖7 合金材料數(shù)據(jù)機(jī)器學(xué)習(xí)系統(tǒng)模型應(yīng)用演示示例Fig.7 Demonstration example of alloy material data machine learning system model application

3 模型驗(yàn)證

核電站堆型種類多樣，其中采用普通水作為冷卻劑和慢化劑的壓水堆應(yīng)用最為廣泛，該類型核電站的大部分部件采用鋼鐵材料，由于高溫和強(qiáng)輻射服役環(huán)境的限制對核電用鋼的性能要求非常嚴(yán)苛，鋼材制備研發(fā)也需模擬實(shí)際環(huán)境進(jìn)行，試驗(yàn)難度大、危險(xiǎn)系數(shù)高，試驗(yàn)數(shù)據(jù)來之不易。因此，可借助機(jī)器學(xué)習(xí)算法構(gòu)建模型并對其進(jìn)行訓(xùn)練，訓(xùn)練后包裝成應(yīng)用供用戶直接使用，可達(dá)到基于材料數(shù)據(jù)預(yù)測核電用鋼某種性能的效果。如圖8所示，通過機(jī)器學(xué)習(xí)系統(tǒng)建模訓(xùn)練后，得到核電用鋼疲勞強(qiáng)度預(yù)測值與實(shí)際值的對比圖，可見每組樣品的預(yù)測準(zhǔn)確度相對較高，說明簡單高效的模型構(gòu)建和訓(xùn)練可以針對不同材料的不同性能進(jìn)行預(yù)測，從而有效降低試驗(yàn)成本，便于科學(xué)家們選材用材。

圖8 核電用鋼疲勞強(qiáng)度性能預(yù)測值與實(shí)際值的對比Fig.8 Comparison of predicted and actual values of fatigue strength properties of nuclear power steels

4 結(jié)論與展望

數(shù)據(jù)驅(qū)動與人工智能的結(jié)合成為科學(xué)的第四范式，作為核心技術(shù)之一的機(jī)器學(xué)習(xí)的應(yīng)用與發(fā)展已經(jīng)完全改變了材料研究的理念，并在該領(lǐng)域取得了一定的進(jìn)展，朝著快速準(zhǔn)確地預(yù)測材料的各種性質(zhì)目標(biāo)邁出了重要一步，利用數(shù)據(jù)幫助人們發(fā)現(xiàn)、設(shè)計(jì)和優(yōu)化新材料，成為重要的材料數(shù)據(jù)分析工具［28］。本文基于機(jī)器學(xué)習(xí)算法對核電結(jié)構(gòu)材料性能預(yù)測進(jìn)行深入研究，該過程摒棄傳統(tǒng)材料研發(fā)設(shè)計(jì)周期長且成本高昂的缺點(diǎn)，在材料科學(xué)與工程領(lǐng)域展現(xiàn)出了與傳統(tǒng)研究方式不一樣的視角。

本文通過多源異構(gòu)數(shù)據(jù)、非結(jié)構(gòu)化、半結(jié)構(gòu)化數(shù)據(jù)的結(jié)構(gòu)化處理技術(shù)，針對跨尺度的核電合金結(jié)構(gòu)材料數(shù)據(jù)庫，主要介紹了機(jī)器學(xué)習(xí)平臺的建設(shè)思路和主要功能模塊構(gòu)成，總結(jié)了該機(jī)器學(xué)習(xí)系統(tǒng)對核電合金性能預(yù)測的基本步驟流程和具體演示示例。結(jié)果表明：通過對核電合金材料數(shù)據(jù)進(jìn)行整理和有效利用，挖掘數(shù)據(jù)中的潛在信息對材料的某一目標(biāo)性能進(jìn)行預(yù)測，可以不經(jīng)過傳統(tǒng)試驗(yàn)和第一性原理計(jì)算獲得相對可靠的性能，充分發(fā)揮機(jī)器學(xué)習(xí)系統(tǒng)對研發(fā)人員的助力作用；文中配置的機(jī)器學(xué)習(xí)平臺操作頁面簡潔美觀，易于用戶理解使用，面對不同類型的用戶可提供不同的模式包括模型訓(xùn)練和應(yīng)用創(chuàng)建，可有效減少研發(fā)人員的工作量；以上均對材料性能預(yù)測乃至新材料的研發(fā)具有一定實(shí)用價(jià)值。

雖然材料數(shù)據(jù)機(jī)器學(xué)習(xí)系統(tǒng)的構(gòu)建可以讓科研人員不再依賴反復(fù)試驗(yàn)或數(shù)據(jù)計(jì)算，有效預(yù)測材料的特征性質(zhì)并開發(fā)尋找新的高性能材料。但總的來說，機(jī)器學(xué)習(xí)是一種數(shù)據(jù)驅(qū)動的方法，其應(yīng)用對數(shù)據(jù)依賴性很強(qiáng)，對核電材料的性能預(yù)測需要從相關(guān)文獻(xiàn)和數(shù)據(jù)庫中獲取特征性能參數(shù)，這種方式在數(shù)據(jù)量有限的情況下和具有上百萬數(shù)據(jù)量的圖像識別等領(lǐng)域相比，會導(dǎo)致機(jī)器學(xué)習(xí)模型的過擬合，從而降低機(jī)器學(xué)習(xí)方法的泛化能力。因此為了提高數(shù)據(jù)量，一方面需要進(jìn)一步通過高通量的計(jì)算來增加材料理論數(shù)據(jù)，另一方面針對文獻(xiàn)中試驗(yàn)數(shù)據(jù)可以開發(fā)智能讀取系統(tǒng)，從先進(jìn)文獻(xiàn)及出版物中讀取訪問可靠的試驗(yàn)數(shù)據(jù)。此外，機(jī)器學(xué)習(xí)向其他重要領(lǐng)域的發(fā)展仍然處于起步階段，還需要不斷地進(jìn)行完善和改進(jìn)，通過發(fā)掘可解釋性的描述符將機(jī)器學(xué)習(xí)的黑盒子模型變得可解釋也是具有發(fā)展前景的方向之一。總之，在可預(yù)見的未來，隨著高新技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)方法不僅可以助力于研發(fā)人員設(shè)計(jì)制備高性能的新型材料，還可能為其提供理論依據(jù)，一定也會在其他材料科學(xué)領(lǐng)域大放異彩。