模拟有形材料选择过程以确定最优有形材料选择过程的制作方法

1.所公开的技术针对模拟与识别适于在制造物品中使用的材料相关联的有形材料选择过程，以便确定最优有形材料选择过程。


背景技术：

2.材料选择是用于描述与识别适于在制造物品中使用的材料相关联的过程的短语。有形材料选择过程通常与和制造物品的设计相关联的其它活动一起执行。识别适于在制造物品中使用的材料可以涉及评估制造物品所期望的准则与候选材料的材料特性之间的关系。此外，在其中制造物品旨在可用于在商业环境中销售的情况下，材料选择过程还可以考虑与在制造物品中使用候选材料相关联的货币价值。例如，这样的货币价值可以包括与获得候选材料相关联的货币价值或与将候选材料结合到制造物品相关联的货币价值中的一个或多个。因为在制造物品中使用的材料通常期望多个准则，所以通常可以执行若干有形的材料选择过程以便识别合适的材料。至少出于这个原因，具有系统的材料选择方法可以是有利的。


技术实现要素：

3.在实施例中，一种用于模拟有形材料选择过程以确定最优有形材料选择过程的系统可以包括一个或多个处理器、数据存储库和存储器。数据存储库可以可通信地耦合到一个或多个处理器。数据存储库可以被配置为存储关于具有材料特性的已知值的材料的信息、已知值和材料特性的阈值准则。存储器可以可通信地耦合到一个或多个处理器。存储器可以存储性能测量模块、材料选择过程确定模块、过程选择模块和材料选择模块。性能测量模块可以包括当由一个或多个处理器执行时使得一个或多个处理器迭代以下操作的指令：(1)执行过程选择模块以选择材料选择模块，(2)配置机器学习过程以执行材料选择模块，(3)使材料选择模块选择关于具有材料特性的已知值的材料的信息，(4)使材料选择模块训练机器学习过程以响应于关于材料的信息的接收而产生已知值，以及(5)关于识别包括已知值与材料特性的阈值准则处于特定关系的材料的材料集来确定材料选择模块的性能测量。材料选择模块可以包括模拟有形材料选择过程的电子表示。电子表示可以包括与有形材料选择过程相关联的参数的值。执行材料选择模块所消耗的时间的持续时间可以小于执行有形材料选择过程所消耗的时间的持续时间。材料选择过程确定模块可以包括当由一个或多个处理器执行时使一个或多个处理器在迭代完成时并基于材料选择模块的性能测量确定最优有形材料选择过程的指令。
4.在另一个实施例中，一种用于模拟有形材料选择过程以确定最优有形材料选择过程的方法可以包括迭代地：(1)由处理器执行过程选择模块以选择材料选择模块，(2)由处理器配置机器学习过程以执行材料选择模块，(3)由处理器使材料选择模块选择关于具有材料特性的已知值的材料的信息，(4)由处理器使材料选择模块训练机器学习过程以响应于关于材料的信息的接收而产生已知值，以及(5)由处理器关于识别包括已知值与材料特
性的阈值准则处于特定关系的材料的材料集来确定材料选择模块的性能测量。材料选择模块可以包括模拟有形材料选择过程的电子表示。电子表示可以包括与有形材料选择过程相关联的参数的值。执行材料选择模块所消耗的时间的持续时间可以小于执行有形材料选择过程所消耗的时间的持续时间。该方法可以包括由处理器在迭代完成时并基于材料选择模块的性能测量确定最优有形材料选择过程。
5.在另一个实施例中，一种用于模拟有形材料选择过程以确定最优有形材料选择过程的非暂态计算机可读介质可以包括指令，指令在由一个或多个处理器执行时使得一个或多个处理器迭代地：(1)执行过程选择模块以选择材料选择模块，(2)配置机器学习过程以执行材料选择模块，(3)使材料选择模块选择关于具有材料特性的已知值的材料的信息，(4)使材料选择模块训练机器学习过程以响应于关于材料的信息的接收而产生已知值，以及(5)关于识别包括已知值与材料特性的阈值准则处于特定关系的材料的材料集来确定材料选择模块的性能测量。材料选择模块可以包括模拟有形材料选择过程的电子表示。电子表示可以包括与有形材料选择过程相关联的参数的值。执行材料选择模块所消耗的时间的持续时间可以小于执行有形材料选择过程所消耗的时间的持续时间。非暂态计算机可读介质可以包括在由一个或多个处理器执行时使一个或多个处理器在迭代完成时并基于材料选择模块的性能测量确定最优有形材料选择过程的指令。
附图说明
6.结合在说明书中并构成说明书一部分的附图图示了本公开的各种系统、方法和其它实施例。将认识到的是，图中所示的元件边界(例如，方框、方框的组或其它形状)表示边界的一个实施例。在一些实施例中，一个元件可以被设计为多个元件，或者多个元件可以被设计为一个元件。在一些实施例中，示为另一个元件的内部组件的元件可以被实现为外部组件，反之亦然。此外，元件可能未按比例绘制。
7.图1是图示根据所公开技术的用于模拟有形材料选择过程以确定最优有形材料选择过程的系统的示例的框图。
8.图2是图示根据所公开技术的材料选择模块的示例的表的图。
9.图3是图示根据所公开技术的关于具有材料特性的已知值的材料的信息的示例的表的图。
10.图4是图示根据所公开技术的用于模拟有形材料选择过程以确定最优有形材料选择过程的系统的第一迭代的示例的图。
11.图5是图示根据所公开技术的用于模拟有形材料选择过程以确定最优有形材料选择过程的系统的第二迭代的示例的图。
12.图6是图示根据所公开技术的与在制造物品中使用材料相关联的货币价值的示例的表的图。
13.图7是图示根据所公开技术的关于要为其确定材料特性的值的材料的信息的示例的表的图。
14.图8是图示根据所公开技术的关于已为其确定材料特性的值的材料的信息的示例的表的图。
15.图9a和9b包括图示根据所公开技术的与模拟有形材料选择过程以确定最优有形
材料选择过程相关联的方法的示例的流程图。
具体实施方式
16.因为：(1)执行有形材料选择过程会消耗相当长的持续时间，以及(2)可以常常执行若干有形材料选择过程以便识别适于在制造物品中使用的材料，所以产生电子表示以模拟有形材料选择过程可以是有利的，使得执行电子表示所消耗的时间的持续时间少于执行有形材料选择过程所消耗的时间的持续时间。
17.所公开的技术可以用于模拟有形材料选择过程以确定最优有形材料选择过程。在迭代中：(1)可以执行过程选择模块来选择包括电子表示的材料选择模块以模拟有形材料选择过程，(2)可以配置机器学习过程来执行材料选择模块，(3)可以使材料选择模块选择关于具有材料特性的已知值的材料的信息，(4)可以使材料选择模块训练机器学习过程以响应于关于材料的信息的接收而产生已知值，以及(5)可以关于识别包括已知值与材料特性的阈值准则处于特定关系的材料的材料集来确定材料选择模块的性能测量。电子表示可以包括与有形材料选择过程相关联的参数的值。执行材料选择模块所消耗的时间的持续时间可以小于执行有形材料选择过程所消耗的时间的持续时间。在迭代完成时，可以基于材料选择模块的性能测量确定最优有形材料选择过程。
18.例如，材料特性可以包括以下中的一项或多项：原子质量、原子数、原子量、带隙、声吸收、声速、声反射、声传递、三阶弹性、声弹性效应、耐腐蚀性、吸湿性、ph、反应性、比内表面积、表面能、表面张力、电容、介电常数、介电强度、电阻率、电导率、电极化率(electric susceptibility)、电热系数、电致伸缩、磁电极化率、能斯特系数、热电效应、介电率(permittivity)、压电常数、热释电性(pyroelectricity)、塞贝克系数、居里温度、抗磁性、霍尔系数、磁滞、磁致伸缩、磁热电功率(magnetothermoelectric power)、磁塞贝克效应系数、磁阻、磁导率(permeablilty)、压电磁性(piezomagnetism)、热磁系数、自旋霍尔效应、可铸性、切削性能指数(machinability rating)、加工速度、加工进给(machining feed)、脆性、体积模量、恢复系数、抗压强度、蠕变、延展性、耐久性、弹性、疲劳极限、柔韧性、弯曲模量、弯曲强度、断裂韧性、摩擦系数、硬度、可锻性、质量扩散率、塑性、泊松比、回弹性、剪切模量、剪切强度、滑移、比模量、比强度、比重、刚度、表面粗糙度、拉伸强度、韧性、粘度、屈服强度、杨氏模量、吸光度、双折射、颜色、电光效应、光度、光学活性、光弹性、光敏性、反射率、折射率、散射、透射率、中子截面、比活度、半衰期、二元相图、沸点、热膨胀系数、临界温度、居里点、韧脆转变温度、发射率、共晶点、可燃性、闪点、玻璃化转变温度、汽化热、转化温度、熔点、比热热导率、热扩散系数、热膨胀、三相点、蒸气压、比热容等。
19.图1是图示根据所公开技术的用于模拟有形材料选择过程以确定最优有形材料选择过程的系统100的示例的框图。系统100可以包括例如处理器102、数据存储库104和存储器106。数据存储库104可以可通信地耦合到处理器102。例如，数据存储库104可以被配置为存储关于具有材料特性的已知值110的材料的信息108、已知值110和材料特性的阈值准则112。存储器106可以可通信地耦合到处理器102。例如，存储器106可以存储性能测量模块114、材料选择过程确定模块116、过程选择模块118，以及多个材料选择模块120。例如，多个材料选择模块120可以包括第一材料选择模块122和第二材料选择模块124。
20.此外，例如，系统100还可以包括无线通信设备126。无线通信设备126可以可通信
地耦合到处理器102。例如，处理器102可以被配置为经由无线通信设备126接收阈值准则112。附加地或可替代地，例如，处理器102可以被配置为经由无线通信设备126接收关于材料的信息108或已知值110中的一个或多个。
21.性能测量模块114可以包括用于控制处理器102以执行以下的指令，在第一次迭代中：(1)执行过程选择模块118以选择包括模拟有形材料选择过程的电子表示的材料选择模块(例如，第一材料选择模块122或第二材料选择模块124)，(2)配置机器学习过程以执行材料选择模块，(3)使材料选择模块选择关于具有材料特性的已知值的材料的信息，(4)使材料选择模块训练机器学习过程以响应于关于材料的信息的接收而产生已知值，以及(5)关于识别包括已知值与材料特性的阈值准则112处于特定关系的材料的材料集来确定材料选择模块的性能测量。执行材料选择模块所消耗的时间的持续时间可以小于执行有形材料选择过程所消耗的时间的持续时间。
22.电子表示可以包括与有形材料选择过程相关联的第一参数的值。例如，由材料选择模块执行的过程可以包括简单线性回归过程、神经网络过程、随机森林过程、随机决策森林过程、高斯过程上置信界过程、支持-向量机、自适应提升过程等中的一种或多种。
23.图2是图示了根据所公开技术的材料选择模块的示例的表200的图。例如，表200可以包括第一材料选择模块122、第二材料选择模块124、第三材料选择模块202和第四材料选择模块204。例如，第一材料选择模块122可以执行自适应提升过程并且对于参数“alpha”可以具有值“0.5”。例如，第二材料选择模块124可以执行神经网络过程并且对于参数“hl”可以具有值“(85，20)”。例如，第三材料选择模块202可以执行神经网络过程并且对于参数“hl”可以具有值“(90，15)”。例如，第四材料选择模块204可以执行简单线性回归过程并且对于参数“fit_intercept”可以具有值“true”。注意的是，第二材料选择模块124和第三材料选择模块202中的每一个都可以用参数“h1”的值来执行神经网络过程。以这种方式，例如，在第一次迭代中的第一迭代中，第一参数可以与第一次迭代中的第二迭代中的第一参数完全相同，但是在第一迭代中，第一参数的值可以与第二迭代中第一参数的值不同。
24.返回到图1，例如，材料选择模块还可以包括第二参数的值。例如，第二参数可以与材料的材料特性的值的预测、材料的分类、与材料特性的值的确定相关的物理规程、与确定相关的启发式过程等中的一个或多个相关联。
25.图3是图示根据所公开技术的关于具有材料特性的已知值110的材料的信息108的示例的表300的图。出于说明的目的，表300可以用于半导体材料。例如，关于材料的信息108可以包括半导体材料的原子量302(g/mol)。(即，关于材料的信息108可以包括材料的特定材料特性。)例如，材料特性304可以包括半导体材料的带隙值306(ev)和半导体材料的电阻率值308(ω-cm)。
26.图4是图示根据所公开技术的用于模拟有形材料选择过程以确定最优有形材料选择过程的系统100的第一次迭代中的第一迭代400的示例的图。参考图3和图4，在第一迭代400中：(1)可以执行过程选择模块118以从多个材料选择模块120中选择(a)包括电子表示以模拟第一有形材料选择过程并执行对于参数“alpha”具有值“0.5”的自适应提升过程的第一材料选择模块122，(2)可以配置机器学习过程402以执行(b)第一材料选择模块122，(3)可以使第一材料选择模块122从数据存储库104中选择(c)关于具有材料特性304的已知值110的材料的信息108，(4)可以使第一材料选择模块122训练(d)机器学习过程402以响应
于关于材料的信息108的接收而产生已知值110，以及(5)可以关于识别包括已知值110与材料特性304的阈值准则112处于特定关系的材料的材料集来确定第一材料选择模块122的性能(e)的测量。
27.例如，可以使第一材料选择模块122从数据存储库104中选择关于具有材料特性304的已知值110的材料的原子量302(g/mol)。例如，可以使第一材料选择模块122训练机器学习过程402以响应于原子量302(g/mol)的接收而产生带隙值306(ev)。附加地或可替代地，例如，可以使第一材料选择模块122训练机器学习过程402以响应于原子量302(g/mol)的接收而产生电阻率值308(ω-cm)。
28.阈值准则112可以是阈值或值的阈值范围。例如，材料特性304可以是带隙值306(ev)并且与阈值准则112的特定关系可以在从0.65ev到1.50ev的值的阈值范围内。例如，材料特性304可以是电阻率值308(ω-cm)并且与阈值准则112的特定关系可以是大于阈值0.1ω-cm。
29.可以关于识别包括已知值110与材料特性304的阈值准则112处于特定关系的材料的材料集来确定第一材料选择模块122的性能测量。例如，如果材料特性304是带隙值306(ev)并且与阈值准则112的特定关系在从0.65ev到1.50ev的值的阈值范围内，那么可以关于识别该材料集包括硅和锗来确定第一材料选择模块122的性能测量。例如，如果材料特性304是电阻率值308(ω-cm)并且与阈值准则112的特定关系大于阈值0.1ω-cm，那么可以关于识别该材料集包括硅、锗和砷化铟来确定第一材料选择模块122的性能测量。
30.图5是图示根据所公开技术的用于模拟有形材料选择过程以确定最优有形材料选择过程的系统100的第一次迭代中的第二迭代500的示例的图。参考图3和图5，在第二迭代500中：(1)可以执行过程选择模块118以从多个材料选择模块120中选择(f)包括电子表示以模拟第二有形材料选择过程并执行对于参数“hl”具有值“(85，20)”的神经网络过程的第二材料选择模块124，(2)可以配置机器学习过程402以执行(g)第二材料选择模块124，(3)可以使第二材料选择模块124从数据存储库104中选择(h)关于具有材料特性304的已知值110的材料的信息108，(4)可以使第二材料选择模块124训练(i)机器学习过程402以响应于关于材料的信息108的接收而产生已知值110，以及(5)可以关于识别包括已知值110与材料特性304的阈值准则112处于特定关系的材料的材料集来确定第二材料选择模块124的性能(j)的测量。
31.例如，可以使第二材料选择模块124从数据存储库104中选择关于具有材料特性304的已知值110的材料的原子量302(g/mol)。例如，可以使第二材料选择模块124训练机器学习过程402以响应于原子量302(g/mol)的接收而产生带隙值306(ev)。附加地或可替代地，例如，可以使第二材料选择模块124训练机器学习过程402以响应于原子量302(g/mol)的接收而产生电阻率值308(ω-cm)。
32.阈值准则112可以是阈值或值的阈值范围。例如，材料特性304可以是带隙值306(ev)并且与阈值准则112的特定关系可以在从0.65ev到1.50ev的值的阈值范围内。例如，材料属性304可以是电阻率值308(ω-cm)并且与阈值准则112的特定关系可以是大于阈值0.1ω-cm。
33.可以关于识别包括已知值110与材料特性304的阈值准则112处于特定关系的材料的材料集来确定第一材料选择模块122的性能测量。例如，如果材料特性304是带隙值306
(ev)并且与阈值准则112的特定关系在从0.65ev到1.50ev的值的阈值范围内，那么可以关于识别该材料集包括硅和锗来确定第二材料选择模块124的性能测量。例如，如果材料特性304是电阻率值308(ω-cm)并且与阈值准则112的特定关系大于阈值0.1ω-cm，那么可以关于识别该材料集包括硅、锗和砷化铟来确定第二材料选择模块124的性能测量。
34.参考图1，材料选择过程确定模块116可以包括用于控制处理器102以在第一次迭代完成时并基于多个材料选择模块120的性能测量来确定最优有形材料选择过程的指令。
35.参考图3-图5，在第一实施方式中，最优有形材料选择过程可以是与材料集具有最大数量的成员的材料选择模块相关联的有形材料选择过程。例如，如果材料特性304是带隙值306(ev)并且与阈值准则112的特定关系在从0.65ev到1.50ev的值的阈值范围内，那么如果由第一材料选择模块122识别出的材料集包括硅和锗，而由第二材料选择模块124识别出的材料集仅包括硅，那么最优有形材料选择过程可以是与第一材料选择模块122相关联的有形材料选择过程。例如，如果材料特性304是电阻率值308(ω-cm)并且与阈值准则112的特定关系大于阈值0.1ω-cm，那么如果由第二材料选择模块124识别出的材料集包括硅、锗和砷化铟，而由第一材料选择模块122识别出的材料集仅包括硅和锗，那么最优有形材料选择过程可以是与第二材料选择模块124相关联的有形材料选择过程。
36.在第二实施方式中，使材料选择模块选择关于具有材料特性304的已知值110的材料的信息108的指令以及使材料选择模块训练机器学习过程402以响应于关于材料的信息108的接收而产生已知值110的指令包括用于控制处理器102以执行以下的指令，在第二次迭代中：(1)使材料选择模块选择关于材料当中具有材料特性304的已知值110的材料的信息108，以及(2)使材料选择模块训练机器学习过程402以响应于关于材料的信息108的接收而产生已知值110。确定性能测量的指令包括用于控制处理器102以在第二次迭代完成时确定性能测量的指令。
37.例如：(1)在第二次迭代的第一迭代中，可以使第一材料选择模块122：(a)从数据存储库104中选择硅的原子量302和(b)训练机器学习过程402以响应于硅的原子量302的接收而产生硅的带隙值306；(2)在第二次迭代的第二迭代中，可以使第一材料选择模块122：(a)从数据存储库104中选择锗的原子量302和(b)训练机器学习过程402以响应于锗的原子量302的接收而产生锗的带隙值306；(3)在第二次迭代的第三迭代中，可以使第一材料选择模块122：(a)从数据存储库104中选择锑化铟的原子量302和(b)训练机器学习过程402以响应于锑化铟的原子量302的接收而产生锑化铟的带隙值306；以及(4)在第二次迭代的第四迭代中，可以使第一材料选择模块122：(a)从数据存储库104中选择砷化铟的原子量302和(b)训练机器学习过程402以响应于砷化铟的原子量302的接收而产生砷化铟的带隙值306。
38.例如：(1)在第二次迭代的第一迭代中，可以使第二材料选择模块124：(a)从数据存储库104中选择砷化铟的原子量302和(b)训练机器学习过程402以响应于砷化铟的原子量302的接收而产生砷化铟的带隙值306；(2)在第二次迭代的第二迭代中，可以使第二材料选择模块124：(a)从数据存储库104中选择锑化铟的原子量302和(b)训练机器学习过程402以响应于锑化铟的原子量302的接收而产生锑化铟的带隙值306；(3)在第二次迭代的第三迭代中，可以使第二材料选择模块124：(a)从数据存储库104中选择锗的原子量302和(b)训练机器学习过程402以响应于锗的原子量302的接收而产生锗的带隙值306；以及(4)在第二次迭代的第四迭代中，可以使第二材料选择模块124：(a)从数据存储库104中选择硅的原子
量302和(b)训练机器学习过程402以响应于硅的原子量302的接收而产生硅的带隙值306。
39.例如，在第二实施方式中，最优有形材料选择过程可以是与在第二次迭代的特定次数的迭代完成时材料集具有最大数量的成员的材料选择模块相关联的有形材料选择过程。例如，如果第二次迭代的特定迭代次数是三，那么如果由第一材料选择模块122识别出的材料集包括硅和锗，而由第二材料选择模块124识别出的材料集仅包括锗，那么最优有形材料选择过程可以是与第一材料选择模块122相关联的有形材料选择过程。
40.参考图1，在第三实施方式中，过程选择模块118可以包括确定要选择的材料选择模块的过程。例如，确定材料选择模块的过程可以包括递归过程、历史分析等中的一个或多个。存储器106还可以存储过程选择性能模块128。过程选择性能模块128可以包括用于控制处理器102以在第一次迭代完成时并基于材料选择模块120的性能测量来确定过程选择模块118的性能测量的指令。过程选择性能模块128可以包括用于控制处理器102在第一次迭代完成时并基于过程选择模块118的性能测量来确定最优材料选择模块的指令。最优材料选择模块可以与最优有形材料选择过程相关联。例如，最优材料选择模块可以基于材料特性或阈值准则112中的一个或多个。
41.参考图3-图5，例如，在组合第三实施方式和第一实施方式的实施方式中，最优材料选择模块可以是材料集具有最大数量的成员的材料选择模块。例如，如果材料特性304是带隙值306(ev)并且与阈值准则112的特定关系在从0.65ev到1.50ev的值的阈值范围内，那么如果由第一材料选择模块122识别出的材料集包括硅和锗，而由第二材料选择模块124识别出的材料集仅包括硅，那么最优材料选择模块可以是第一材料选择模块122。例如，如果材料特性304是电阻率值308(ω-cm)并且与阈值准则112的特定关系大于阈值0.1ω-cm，那么如果由第二材料选择模块124识别出的材料集包括硅、锗和砷化铟，而由第一材料选择模块122识别出的材料集仅包括硅和锗，那么最优材料选择模块可以是第二材料选择模块124。
42.可替代地，在组合第三实施方式和第二实施方式的实施方式中，最优材料选择模块可以是在第二次迭代的特定次数的迭代完成时材料集具有最大数量的成员的材料选择模块。例如，如果第二次迭代的特定迭代次数是三，那么如果由第一材料选择模块122识别出的材料集包括硅和锗，而由第二材料选择模块124识别出的材料集仅包括锗，那么最优材料选择模块可以是第一材料选择模块122。
43.参考图1、图4和图5，在第四实施方式中，数据存储库104还可以被配置为存储与制造物品中使用材料相关联的货币价值128或货币价值128的货币阈值准则130中的一个或多个。配置机器学习过程402的指令可以包括用于控制处理器102以配置机器学习过程402以执行材料选择模块以获得货币价值128的指令。货币价值128可以包括与获得材料相关联的货币价值、与将材料结合到制造物品相关联的货币价值等中的一个或多个。例如，处理器102可以被配置为经由无线通信接收设备126接收货币价值128或货币阈值准则130中的一个或多个。确定性能测量的指令可以包括用于控制处理器102以关于识别包括货币价值128与货币阈值准则130处于特定关系的材料的材料集来确定材料选择模块的性能测量的指令。例如，与货币阈值准则130的特定关系可以是小于阈值货币价值、大于阈值货币价值或在货币价值的阈值范围内。
44.图6是图示根据所公开技术的与在制造物品中使用材料相关联的货币价值128($/
kg)的示例的表600的图。参考图4-图6，例如：
45.(1)机器学习过程402可以被配置为执行材料选择模块以获得：(a)硅的货币价值128、(b)锗的货币价值128、(c)锑化铟的货币价值128，以及(d)砷化铟的货币价值128；以及(2)可以关于识别包括货币价值128与货币阈值准则130处于特定关系的材料的材料集来确定材料选择模块的性能测量。例如，如果与货币阈值准则130的特定关系是小于$200/kg的阈值货币价值，那么可以关于识别材料集包括硅、锑化铟和砷化铟来确定材料选择模块的性能测量。
46.参考图1、图3、图4和图5，在第五实施方式中，性能测量模块114还可以包括用于控制处理器102执行以下的指令：(1)配置机器学习过程402以执行最优材料选择模块和(2)使最优材料选择模块选择关于材料的信息108。最优材料选择模块可以与最优有形材料选择过程相关联。该材料可以与用于训练机器学习过程402的材料不同。存储器106还可以存储操作模块132。操作模块132可以包括用于控制处理器102以使最优材料选择模块响应于关于材料的信息108的接收而产生材料的材料特性304的值的指令。
47.图7是图示根据所公开技术的关于要为其确定材料特性的值的材料的信息108的示例的表700的图。出于说明的目的，表700可以用于半导体材料。例如，关于材料的信息108可以包括半导体材料的原子量302(g/mol)。(即，关于材料的信息108可以包括材料的特定材料特性。)例如，材料特性304可以包括半导体材料的带隙值306(ev)和半导体材料的电阻率值308(ω-cm)。
48.例如，参考图1、图4、图5和图7，机器学习过程402可以被配置为执行最优材料选择模块。例如，如上面关于训练机器学习过程402所描述的：(1)如果材料特性304是带隙值306(ev)并且与阈值准则112的特定关系在从0.65ev到1.50ev的值的阈值范围内，那么最优材料选择模块可以是第一材料选择模块122；以及(2)如果材料特性304是电阻率值308(ω-cm)并且与阈值准则112的特定关系是大于阈值0.1ω-cm，那么最优材料选择模块可以是第二材料选择模块124。例如，可以使最优材料选择模块：(1)(a)从数据存储库104中选择砷化镓的原子量302和(b)产生砷化镓的带隙值306或砷化镓的电阻率值308中的一个或多个，以及(2)(a)从数据存储库104中选择磷化铟的原子量302和(b)产生磷化铟的带隙值306或磷化铟的电阻率值308中的一个或多个。图8是图示根据所公开技术的关于已为其确定材料特性的值的材料的信息108的示例的表800的图。
49.图9a和图9b包括图示根据所公开技术的与模拟有形材料选择过程以确定最优有形材料选择过程相关联的方法900的示例的流程图。从图1中所示的系统100的角度描述方法900。虽然结合系统100来描述方法900，但是本领域技术人员根据本文的描述理解方法900不限于由系统100来实现。更确切地说，系统100是可以被用于实现方法900的系统的示例。
50.在图9a中，在方法900中，在配置中，在操作902处，处理器102可以接收材料特性304的阈值准则112。
51.在配置中，在操作904处，处理器102可以接收关于材料的信息108或材料特性304的已知值110中的一个或多个。
52.在第一次迭代中，性能测量模块114可以执行操作906、操作908、操作910、操作912和操作914。
53.在操作906处，性能测量模块114可以执行过程选择模块118以选择包括电子表示以模拟有形材料选择过程的材料选择模块(例如，第一材料选择模块122或第二材料选择模块124)。执行材料选择模块所消耗的时间的持续时间可以小于执行有形材料选择过程所消耗的时间的持续时间。
54.电子表示可以包括与有形材料选择过程相关联的第一参数的值。例如，由材料选择模块执行的过程可以包括简单线性回归过程、神经网络过程、随机森林过程、随机决策森林过程、高斯过程上置信界过程、支持-向量机、自适应提升过程等中的一种或多种。
55.例如，在第一次迭代中的第一迭代中，第一参数可以与第一次迭代中的第二迭代中的第一参数完全相同，但是在第一迭代中，第一参数的值可以与第二迭代中第一参数的值不同。例如，材料选择模块还可以包括与材料的材料特性的值的预测、材料的分类、与材料特性的值的确定相关的物理规程、与确定相关的启发式过程等中的一个或多个相关联的第二参数的值。
56.在操作908处，性能测量模块114可以配置机器学习过程402以执行材料选择模块。
57.在操作910处，性能测量模块114可以使材料选择模块从数据存储库104中选择关于具有材料特性304的已知值110的材料的信息108。
58.在操作912处，性能测量模块114可以使材料选择模块训练机器学习过程405以响应于关于材料的信息108的接收而产生已知值110。
59.在操作914处，性能测量模块114可以关于识别包括已知值110与材料特性304的阈值准则112处于特定关系的材料的材料集来确定材料选择模块的性能测量。
60.在图9b中，在方法900中，在操作916处，材料选择过程确定模块116可以在第一次迭代完成时并基于多个材料选择模块120的性能测量来确定最优有形材料选择过程。
61.在第一实施方式中，最优有形材料选择过程可以是与材料集具有最大数量的成员的材料选择模块相关联的有形材料选择过程。
62.在第二实施方式中，性能测量模块114可以在第二次迭代中执行操作910和操作912。在操作910处，性能测量模块114可以使材料选择模块从数据存储库104中选择关于材料当中具有材料特性304的已知值110的材料的信息108。在操作912处，性能测量模块114可以使材料选择模块训练机器学习过程402以响应于关于材料的信息108的接收而产生已知值110。在操作914处，性能测量模块114可以在第二次迭代完成时确定性能测量。
63.例如，在第二实施方式中，最优有形材料选择过程可以是与在第二次迭代的特定次数的迭代完成时材料集具有最大数量的成员的材料选择模块相关联的有形材料选择过程。
64.在第三实施方式中，过程选择模块118可以包括确定要选择的材料选择模块的过程。例如，确定材料选择模块的过程可以包括递归过程、历史分析等中的一个或多个。
65.在第三实施方式中，在操作918处，过程选择性能模块128可以在第一次迭代完成时并基于材料选择模块120的性能测量来确定过程选择模块118的性能测量。
66.在第三实施方式中，在操作920处，过程选择性能模块128可以在第一次迭代完成时并基于过程选择模块118的性能测量来确定最优材料选择模块。最优材料选择模块可以与最优有形材料选择过程相关联。例如，最优材料选择模块可以基于材料特性或阈值准则112中的一个或多个。
67.在组合第三实施方式和第一实施方式的实施方式中，最优材料选择模块可以是材料集具有最大数量的成员的材料选择模块。
68.可替代地，在组合第三实施方式和第二实施方式的实施方式中，最优材料选择模块可以是在第二次迭代的特定次数的迭代完成时材料集具有最大数量的成员的材料选择模块。
69.在第四实施方式中，例如，在操作922处，处理器102可以接收与在制造物品中使用材料相关联的货币价值128或货币价值128的货币阈值准则130中的一个或多个。货币价值128可以包括与获得材料相关联的货币价值、与将材料结合到制造物品相关联的货币价值等中的一个或多个。
70.在第四实施方式中，在操作908处，性能测量模块114可以配置机器学习过程402以执行材料选择模块以获得货币价值。
71.在第四实施方式中，在操作914处，性能测量模块114可以关于识别包括货币价值128与货币阈值准则130处于特定关系的材料的材料集来确定材料选择模块的性能测量。例如，与货币阈值准则130的特定关系可以是小于阈值货币价值、大于阈值货币价值或在货币价值的阈值范围内。
72.在第五实施方式中，在操作924处，性能测量模块114可以配置机器学习过程402以执行最优材料选择模块。最优材料选择模块可以与最优有形材料选择过程相关联。
73.在第五实施方式中，在操作926处，性能测量模块114可以使最优材料选择模块选择关于材料的信息108。该材料可以与用于训练机器学习过程402的材料不同。
74.在第五实施方式中，在操作928处，操作模块132可以使最优材料选择模块响应于关于材料的信息108的接收而产生材料的材料特性304的值。
75.本文公开了详细的实施例。但是，根据本文的描述，本领域技术人员理解所公开的实施例仅旨在作为示例。因此，本文公开的具体结构和功能细节不应被解释为限制，而仅作为权利要求的基础和作为教导本领域技术人员在实际上任何适当详细的结构中以各种方式应用本文的各方面的代表性基础。此外，本文使用的术语和短语并非旨在进行限制，而是提供对可能的实施方式的可理解的描述。图1-图8、图9a和图9b中图示了各种实施例，但实施例不限于所示出的结构或应用。
76.附图中的流程图和框图图示了根据各种实施例的系统、方法和计算机程序产品的可能实施方式的体系架构、功能和操作。就这一点而言，流程图或框图中的每个方框可以表示代码的模块、片段或部分，其包括用于实现指定的(一个或多个)逻辑功能的一个或多个可执行指令。本领域技术人员根据本文的描述理解，在一些替代实施方式中，方框中描述的功能可以不按附图所示的次序发生。例如，取决于所涉及的功能，实际上可以基本上同时执行连续示出的两个方框，或者可以以相反的次序执行这些方框。
77.上面描述的系统、组件和/或处理可以以硬件或硬件和软件的组合来实现，并且可以以集中式方式在一个处理系统中或者以其中不同的元件分布在多个互连的处理系统上的分布式方式来实现。适用于执行本文描述的方法的任何种类的处理系统或另一个装置都是合适的。软件和硬件的典型组合可以是具有计算机可读程序代码的处理系统，程序代码在被加载和执行时控制处理系统，以使其执行本文描述的方法。系统、组件和/或处理还可以被嵌入在机器可读的计算机可读存储装置中，诸如计算机程序产品或其它数据程序存储
设备，该计算机可读产品有形地实施机器可执行的指令的程序，以执行本文描述的方法和处理。这些元素也可以嵌入在应用产品中，该应用产品包括使得能够实现本文描述的方法的所有特征，并且在加载到处理系统中时能够执行这些方法。
78.此外，本文描述的布置可以采取实施在一种或多种计算机可读介质中的计算机程序产品的形式，该计算机可读介质具有实施(例如，存储)在其上的计算机可读程序代码。可以利用一种或多种计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。如本文所使用的，短语“计算机可读存储介质”是指非暂态存储介质。计算机可读存储介质可以是例如但不限于电子、磁性、光学、电磁、红外或半导体系统、装置或设备，或前述的任意合适组合。以非详尽列表，计算机可读存储介质的更具体示例将包括以下：便携式计算机磁盘、硬盘驱动器(hdd)、固态驱动器(ssd)、只读存储器(rom)、可擦可编程只读存储器(eprom或闪存)、便携式光盘只读存储器(cd-rom)、数字多功能光盘(dvd)、光学存储设备、磁存储设备，或前述的任意合适组合。如本文所使用的，计算机可读存储介质可以是可以包含或存储供指令执行系统、装置或设备使用或与其结合使用的程序的任何有形介质。
79.一般而言，如本文所使用的，模块包括执行特定任务或实现特定数据类型的例程、程序、对象、组件、数据结构等。在另外的方面，存储器一般存储此类模块。与模块相关联的存储器可以是缓冲器或者可以是嵌入在处理器内的高速缓存、随机存取存储器(ram)、rom、闪存或其它合适的电子存储介质。在更进一步的方面，如本文所使用的，模块可以被实现为专用集成电路(asic)、片上系统(soc)的硬件组件、可编程逻辑阵列(pla)或嵌入了用于执行所公开功能的既定配置集(例如，指令)的另一种合适的硬件组件。
80.实施在计算机可读介质上的程序代码可以使用任何适当的介质传输，包括但不限于无线、有线、光纤、电缆、射频(rf)等，或前述的任何合适组合。用于执行所公开技术的各方面的操作的计算机程序代码可以用一种或多种编程语言的任何组合来编写，包括面向对象的编程语言(诸如java
tm
、smalltalk、c++等)，以及常规的过程编程语言(诸如“c”编程语言或类似的编程语言)。程序代码可以完全在用户计算机上执行，部分在用户计算机上执行，作为独立软件包执行，部分在用户计算机上部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局域网(lan)或广域网(wan)，或者可以连接到外部计算机(例如，通过使用互联网服务提供商的互联网)。
81.如本文所使用的，术语“一”和“一个”被定义为一个或多于一个。如本文所使用的，术语“多个”被定义为两个或多于两个。如本文所使用的，术语“另一个”被定义为至少第二个或更多个。如本文所使用的，术语“包括”和/或“具有”被定义为包含(即，开放语言)。如本文所使用的，短语
“……
或
……
中的至少一个”是指并且涵盖所关联的所列项目中的一个或多个的任意和所有可能的组合。例如，短语“a、b或c中的至少一个”包括仅a、仅b、仅c或其任意组合(例如，ab、ac、bc或abc)。
82.在不脱离其精神或实质属性的情况下，本文的各方面可以以其它形式实施。因而，应当参考以下权利要求而不是前面的说明书来指示其范围。