Name： Machine learning-based design of porous graphene with low thermal conductivity

DOI： https://doi.org/10.1016/j.carbon.2019.10.037

总结：所有库训练CNN，证明可行，然后对同孔隙率结构，进行迭代训练CNN，发现导热率最低结构，优点只需进行有限MD模拟就行。最后用更大结构进行验证，得出结论。

论文代码：http://jiangjinwu.org

Inverse design

       随机选择100个结构（同一孔隙率），MD模拟得热导率，作为训练数据。得第一代CNN模型。预测库中所有剩余结构的热导率，从而预测另外100个热导率最低的结构。然后MD得出这100个结构的真实导热率。添加到训练集中，用于训练下一代CNN模型。CNN模型的训练集的大小随着迭代次数的增加而逐渐增加。在每一代逆向设计过程中，首先初始化CNN模型，然后基于训练集进行训练，以预测剩余结构的热导率。

若有问题，欢迎交流，虚心学习！

相似论文

文献：Accelerated search and design of stretchable graphene kirigami using machine learning

DOI：https://doi.org/10.1103/PhysRevLett.121.255304