综述：机器学习在生物活性玻璃中的应用：从传统统计模型到前沿的深度学习方法

《Journal of Non-Crystalline Solids》：Machine learning applications to bioactive glasses: From traditional statistical models to cutting-edge deep learning paradigms

　　

阿米尔霍赛因·莫加尼安|艾哈迈德·阿基夫·基兹尔库特卢|穆罕默德·纳斯尔·埃斯法哈尼|阿兰格·帕祖赫什加尔|弗朗切斯科·贝伊诺|阿里·阿克佩克|西鲁斯·萨法伊

摘要

生物活性玻璃的复杂性给研究带来了诸多挑战，这使得传统的试错方法难以用于开发在生物活性、降解性、机械可靠性、治疗功能、可制造性以及应用安全性方面都达到平衡的材料。本文探讨了机器学习对生物活性玻璃研究的影响，以及如何从经验优化转向基于数据且考虑物理原理的材料设计。文章介绍了与机器学习驱动的生物活性玻璃建模相关的描述符、评估指标及验证需求，重点分析了从统计/浅层学习方法向更先进的模型转变的过程，这些先进模型包括：基于物理原理的神经网络、卷积神经网络、循环神经网络和图神经网络、生成对抗网络以及自监督学习方法。文章还阐述了机器学习在生物活性玻璃的成分设计以及结构-性能-功能预测中的应用。同时指出了生物活性玻璃研究面临的主要翻译障碍，包括：数据集碎片化、元数据不一致、前瞻性验证不足、在成分范围之外的外推能力较差、机器学习模型的“黑箱”特性，以及与多模态实验数据、仿真数据和生物学数据整合不够完善等问题。最后，本文还介绍了与机器学习相关的新兴机遇并进行了讨论。通过将算法进展与玻璃科学及生物材料的需求相结合，这篇综述为将机器学习从一种回顾性预测工具转变为下一代生物活性玻璃的理性设计工具提供了路线图。