| Título : |
Materials Discovery and Design : By Means of Data Science and Optimal Learning |
| Tipo de documento: |
documento electrónico |
| Autores: |
Lookman, Turab, ; Eidenbenz, Stephan, ; Alexander, Frank, ; Barnes, Cris, |
| Mención de edición: |
1 ed. |
| Editorial: |
[s.l.] : Springer |
| Fecha de publicación: |
2018 |
| Número de páginas: |
XVI, 256 p. 98 ilustraciones, 88 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-3-319-99465-9 |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Física matemática Material Procesamiento de datos Materiales Matemáticas Análisis numérico Física Teórica Matemática y Computacional Caracterización y Técnica Analítica Minería de datos y descubrimiento de conocimientos Ingeniería de Materiales Ciencias e Ingeniería Computacional |
| Índice Dewey: |
530.1 Teoría y física matemática |
| Resumen: |
Este libro aborda el estado actual, los desafíos y las direcciones futuras del descubrimiento y diseño de materiales basados en datos. Presenta el análisis y el aprendizaje a partir de datos como un tema clave en muchas aplicaciones relacionadas con la ciencia y la cibernética. Se esbozan las desafiantes preguntas abiertas, así como las direcciones futuras en la aplicación de la ciencia de datos a los problemas de materiales. Las instalaciones computacionales y experimentales generan hoy enormes cantidades de datos a un ritmo sin precedentes. El libro ofrece orientación para descubrir nuevos conocimientos que permitan la innovación de materiales para abordar grandes desafíos en energía, medio ambiente y seguridad, y el vínculo más claro necesario entre los datos de estas instalaciones y la teoría y la ciencia subyacente. El papel de los métodos de inferencia y optimización a la hora de destilar los datos y limitar las predicciones utilizando conocimientos y resultados de la teoría es clave para lograr los objetivos deseados del análisis y la retroalimentación en tiempo real. Por lo tanto, la importancia de este libro radica en enfatizar que el valor total del descubrimiento impulsado por el conocimiento utilizando datos sólo puede lograrse integrando las ciencias estadísticas y de la información con la ciencia de los materiales, que depende cada vez más de esfuerzos de recopilación de datos experimentales y computacionales de alto rendimiento y a gran escala. . Este es especialmente el caso a medida que entramos en una nueva era de big data en la ciencia de materiales con la planificación de futuras instalaciones experimentales como la fuente de luz coherente Linac en Stanford (LCLS-II), el láser europeo de electrones libres de rayos X (EXFEL) y MaRIE (Matter Radiation in Extremes), la instalación conceptual exclusiva del Laboratorio Nacional de Los Álamos. Se espera que estas instalaciones generen de cientos de terabytes a varios petabytes de datos resueltos espacial y temporalmente in situ por muestra. Las preguntas que surgen entonces incluyen cómo podemos aprender de los datos para acelerar el procesamiento y análisis de la microestructura reconstruida, mapear rápidamente propiedades resueltas espacialmente a partir de datos de alto rendimiento, diseñar diagnósticos para la detección de patrones y guiar experimentos hacia las propiedades específicas deseadas. Los autores son un grupo interdisciplinario de destacados expertos que acercan al lector la emoción del naciente y emergente campo de la informática de materiales. . |
| Nota de contenido: |
Part 1: Learning from Data in Material Science -- Designing Novel Multifunctional Materials via Inverse Optimization Techniques -- Quantifying Uncertainties in First Principles Alloy Thermodynamics -- Forward Modeling of Electron Scattering Modalities for Microstructure Quantification -- The Potential of Network Analysis Strategies to HEDM Data: Classification of Microstructures and Prediction of Incipient Failure -- Part 2: Data and Inference -- Challenges of Diagram extraction and Understanding -- Integration of Computational Reasoning, Machine Learning, and Crowdsourcing for Accelerating Materials Discovery -- Computational Creativity for Materials Science -- Optimal Experimental Design Based on Uncertainty Quantification -- Part 3: High-Throughput Calculations and Experiments Functionality-Driven Design and Discovery -- The Use of Proxies and Data for Guiding Materials Synthesis: Examples of Phosphors and Thermoelectrics -- Big Data from Experiments -- Data-Driven Approaches to Combinatorial Materials Science -- Invariant Representations for Robust Materials Prediction -- Part 4: Data Optimization/Challenges in Analysis of Data for Facilities -- The MGI Data Infrastructure -- Is Rigorous Automated Materials Design and Discovery Possible? -- Improve your Monte Carlo: Learn a Control Variate and Correct it with Stacking -- X-ray Free Electron Laser Studies of Shock-Driven Deformation and Phase Transitions -- Coherent Diffraction Imaging Techniques at 3rd and 4th Generation Light Sources -- 3D Data Challenges from X-ray Synchrotron Tomography -- Part 5: Interference/HPC/Software Integration -- Optimal Bayesian Experimental Design: Formulations and New Computational Strategies -- Optimal Bayesian Inference with Missing Data -- Applying an Experimental Design Loop to Shape Memory Alloys -- Big Data Need Big Theory Too -- Combining Experiments, Simulation and Machine Learning in a Single Materials Platform - A Materials Informatics Approach -- Rethinking the HPC Programming Environment. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Materials Discovery and Design : By Means of Data Science and Optimal Learning [documento electrónico] / Lookman, Turab, ; Eidenbenz, Stephan, ; Alexander, Frank, ; Barnes, Cris, . - 1 ed. . - [s.l.] : Springer, 2018 . - XVI, 256 p. 98 ilustraciones, 88 ilustraciones en color. ISBN : 978-3-319-99465-9 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Física matemática Material Procesamiento de datos Materiales Matemáticas Análisis numérico Física Teórica Matemática y Computacional Caracterización y Técnica Analítica Minería de datos y descubrimiento de conocimientos Ingeniería de Materiales Ciencias e Ingeniería Computacional |
| Índice Dewey: |
530.1 Teoría y física matemática |
| Resumen: |
Este libro aborda el estado actual, los desafíos y las direcciones futuras del descubrimiento y diseño de materiales basados en datos. Presenta el análisis y el aprendizaje a partir de datos como un tema clave en muchas aplicaciones relacionadas con la ciencia y la cibernética. Se esbozan las desafiantes preguntas abiertas, así como las direcciones futuras en la aplicación de la ciencia de datos a los problemas de materiales. Las instalaciones computacionales y experimentales generan hoy enormes cantidades de datos a un ritmo sin precedentes. El libro ofrece orientación para descubrir nuevos conocimientos que permitan la innovación de materiales para abordar grandes desafíos en energía, medio ambiente y seguridad, y el vínculo más claro necesario entre los datos de estas instalaciones y la teoría y la ciencia subyacente. El papel de los métodos de inferencia y optimización a la hora de destilar los datos y limitar las predicciones utilizando conocimientos y resultados de la teoría es clave para lograr los objetivos deseados del análisis y la retroalimentación en tiempo real. Por lo tanto, la importancia de este libro radica en enfatizar que el valor total del descubrimiento impulsado por el conocimiento utilizando datos sólo puede lograrse integrando las ciencias estadísticas y de la información con la ciencia de los materiales, que depende cada vez más de esfuerzos de recopilación de datos experimentales y computacionales de alto rendimiento y a gran escala. . Este es especialmente el caso a medida que entramos en una nueva era de big data en la ciencia de materiales con la planificación de futuras instalaciones experimentales como la fuente de luz coherente Linac en Stanford (LCLS-II), el láser europeo de electrones libres de rayos X (EXFEL) y MaRIE (Matter Radiation in Extremes), la instalación conceptual exclusiva del Laboratorio Nacional de Los Álamos. Se espera que estas instalaciones generen de cientos de terabytes a varios petabytes de datos resueltos espacial y temporalmente in situ por muestra. Las preguntas que surgen entonces incluyen cómo podemos aprender de los datos para acelerar el procesamiento y análisis de la microestructura reconstruida, mapear rápidamente propiedades resueltas espacialmente a partir de datos de alto rendimiento, diseñar diagnósticos para la detección de patrones y guiar experimentos hacia las propiedades específicas deseadas. Los autores son un grupo interdisciplinario de destacados expertos que acercan al lector la emoción del naciente y emergente campo de la informática de materiales. . |
| Nota de contenido: |
Part 1: Learning from Data in Material Science -- Designing Novel Multifunctional Materials via Inverse Optimization Techniques -- Quantifying Uncertainties in First Principles Alloy Thermodynamics -- Forward Modeling of Electron Scattering Modalities for Microstructure Quantification -- The Potential of Network Analysis Strategies to HEDM Data: Classification of Microstructures and Prediction of Incipient Failure -- Part 2: Data and Inference -- Challenges of Diagram extraction and Understanding -- Integration of Computational Reasoning, Machine Learning, and Crowdsourcing for Accelerating Materials Discovery -- Computational Creativity for Materials Science -- Optimal Experimental Design Based on Uncertainty Quantification -- Part 3: High-Throughput Calculations and Experiments Functionality-Driven Design and Discovery -- The Use of Proxies and Data for Guiding Materials Synthesis: Examples of Phosphors and Thermoelectrics -- Big Data from Experiments -- Data-Driven Approaches to Combinatorial Materials Science -- Invariant Representations for Robust Materials Prediction -- Part 4: Data Optimization/Challenges in Analysis of Data for Facilities -- The MGI Data Infrastructure -- Is Rigorous Automated Materials Design and Discovery Possible? -- Improve your Monte Carlo: Learn a Control Variate and Correct it with Stacking -- X-ray Free Electron Laser Studies of Shock-Driven Deformation and Phase Transitions -- Coherent Diffraction Imaging Techniques at 3rd and 4th Generation Light Sources -- 3D Data Challenges from X-ray Synchrotron Tomography -- Part 5: Interference/HPC/Software Integration -- Optimal Bayesian Experimental Design: Formulations and New Computational Strategies -- Optimal Bayesian Inference with Missing Data -- Applying an Experimental Design Loop to Shape Memory Alloys -- Big Data Need Big Theory Too -- Combining Experiments, Simulation and Machine Learning in a Single Materials Platform - A Materials Informatics Approach -- Rethinking the HPC Programming Environment. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Materials Discovery and Design
