上传简历与几篇代表作。我会检索权威外部源做印证与定位,把它们整理成一组关于「你」的活文档 —— 初稿交给你来校准。
用机器学习重写计算材料的
「试错」范式
用机器学习重写计算材料的「试错」范式 —— 让新材料在被合成之前,就被算清楚。
用机器学习重写计算材料的「试错」范式 —— 让新材料在被合成之前,就被算清楚。
这是整个品牌的核心,精准、可记忆。其余画像都围绕它展开。
多数计算材料团队,要么专注第一性原理的精度、要么追求机器学习的速度。林知远的差异在于把不确定性量化嵌进采样回路—— 不是更快地算,而是更聪明地决定「算什么」。这套方法论可跨材料体系迁移,是他区别于同行的核心标识。
材料发现长期受制于昂贵的试错。他相信下一代材料应当「先被算清,再被合成」,而通往这一步的钥匙不是更大的算力,而是让模型懂得自己的无知—— 知道在哪里该多算一步。
一个用机器学习把材料发现从「试错」推向「预测」的计算材料学家,主线是可迁移、会自省的原子间势函数。
在「机器学习势函数」这一活跃方向上,国际上以 MIT、马普所等团队为前沿。林知远的差异坐标在于把主动学习与高熵合金这一难题绑定—— 多数势函数工作集中在简单体系,他选择了样本最贵、最需要「省着算」的战场。引用与同行数据↗
不等你问,基于你的画像与外部检索主动递来。每条都标明匹配理由 —— 你来判断要不要。
{{ sourceDetail.body }}
读完你新上传的论文,我想改这 3 处。
每一条都说明了原因 —— 你来决定。