基于机器学习方法设计开发无机玻璃材料研究进展

doi:10.16552/j.cnki.issn1001-1625.2025.1138

摘要/Abstract

摘要：

玻璃科学与工程领域对新型高性能玻璃的需求日益迫切，传统试错法及物理建模存在效率低、成本高或精度不足等问题。人工智能和机器学习为玻璃设计与开发提供了更加有效的新方法，通过数据集构建、模型训练与验证，可以高效预测玻璃成分、结构及性能。本文阐述了机器学习的基础原理、核心算法（含监督与无监督学习），总结了近年来机器学习在多类玻璃中的应用成果，重点综述了基于机器学习的成分-性能、成分-结构、成分-结构-性能建模与设计玻璃材料的研究进展。已有研究表明，机器学习能显著提升玻璃性能预测准确度与开发效率，但目前仍面临泛化能力不足、复杂结构拟合困难等挑战。未来，随着技术完善与多领域融合，机器学习将持续推动玻璃科学的创新发展，为新型玻璃研发提供更高效的技术支撑。

关键词: 无机玻璃, 成分-结构-性能设计, 机器学习, 材料计算, AI大模型, 数据驱动

Abstract:

There is an increasingly urgent demand for new high-performance glass in the field of glass science and engineering. Traditional trial-and-error methods and physical modeling suffer from issues such as low efficiency， high cost， and insufficient accuracy. The emergence of artificial intelligence and machine learning has brought new breakthrough methods for glass design and development. Through dataset construction， model training， and validation， it can efficiently predict glass composition， structure， and performance. This paper elaborates on the basic principles of machine learning and core algorithms （including supervised and unsupervised learning）， summarizes the application achievements of machine learning in various types of glass in recent years， and focuses on reviewing the research progress of composition-performance， composition-structure， and composition-structure-performance modeling and design of glass materials based on learning. Existing studies have shown that machine learning can significantly improve the accuracy of glass performance prediction and development efficiency， but it still faces challenges such as insufficient generalization ability and difficulty in fitting complex structures. In the future， with the improvement of technology and integration across multiple fields， machine learning will continue to promote innovative development in glass science and provide more efficient technical support for the research and development of new glass.

Key words: inorganic glass, composition-structure-performance design, machine learning, material computation, large AI model, data-driven

中图分类号:

TQ171

谭至昕, 章伟, 乔旭升, 樊先平. 基于机器学习方法设计开发无机玻璃材料研究进展[J]. 硅酸盐通报, 2026, 45(3): 743-754.

TAN Zhixin, ZHANG Wei, QIAO Xusheng, FAN Xianping. Research Progress on Design and Development of Inorganic Glass Materials Based on Machine Learning Method[J]. BULLETIN OF THE CHINESE CERAMIC SOCIETY, 2026, 45(3): 743-754.

图/表 9

参考文献 57

[1]	LIU H， DU T， ANOOP KRISHNAN N M， et al. Topological optimization of cementitious binders： advances and challenges［J］. Cement and Concrete Composites， 2019， 101： 5-14.
[2]	KOHLI J T， HUBERT M， YOUNGMAN R E， et al. A corning perspective on the future of technical glass in our evolving world［J］. International Journal of Applied Glass Science， 2022， 13（3）： 292-307.
[3]	BOUABDALLI E M， JOUAD MEL， TOUHTOUH S， et al. First investigation of the effect of strontium oxide on the structure of phosphate glasses using molecular dynamics simulations［J］. Computational Materials Science， 2023， 220： 112068.
[4]	LI X Z， YANG P H， HAN T， et al. Topological understanding of the influence of mixed alkali components on the structure and properties of aluminosilicate glass［J］. Ceramics International， 2024， 50（14）： 26267-26278.
[5]	MAURO J C， TANDIA A， VARGHEESE K D， et al. Accelerating the design of functional glasses through modeling［J］. Chemistry of Materials， 2016， 28（12）： 4267-4277.
[6]	ZHU L， YANG T， LI S， et al. Experimental investigation and prediction of chemical etching kinetics on mask glass using random forest machine learning［J］. Chemical Engineering Research and Design， 2025， 213： 309-318.
[7]	YANG Y， HAN J， ZHAI H， et al. Prediction and screening of glass properties based on high-throughput molecular dynamics simulations and machine learning［J］. Journal of Non-Crystalline Solids， 2022， 597： 121927.
[8]	MANNAN S， ZAKI M， BISHNOI S， et al. Glass hardness： predicting composition and load effects via symbolic reasoning-informed machine learning［J］. Acta Materialia， 2023， 255： 119046.
[9]	DU K L， ZHANG R G， JIANG B C， et al. Understanding machine learning principles： learning， inference， generalization， and computational learning theory［J］. Mathematics， 2025， 13（3）： 451.
[10]	LEVER J， KRZYWINSKI M， ALTMAN N. Model selection and overfitting［J］. Nature Methods， 2016， 13（9）： 703-704.
[11]	EMMERT-STREIB F， DEHMER M. Evaluation of regression models： model assessment， model selection and generalization error［J］. Machine Learning and Knowledge Extraction， 2019， 1（1）： 521-551.
[12]	XU Y C， KONG X P， CAI Z M. Cross-validation strategy for performance evaluation of machine learning algorithms in underwater acoustic target recognition［J］. Ocean Engineering， 2024， 299： 117236.
[13]	YAZICI İ， GURES E. NR-V2X quality of service prediction through machine learning with nested cross-validation scheme［C］//2024 6th International Conference on Communications， Signal Processing， and their Applications （ICCSPA）. Istanbul， Turkiye. IEEE， 2024： 1-5.
[14]	TIBSHIRANI R. Regression shrinkage and selection via the lasso［J］. Journal of the Royal Statistical Society Series B： Statistical Methodology， 1996， 58（1）： 267-288.
[15]	HOERL A E， KENNARD R W. Ridge regression： biased estimation for nonorthogonal problems［J］. 2000， 42（1）： 80-86.
[16]	ZOU H， HASTIE T. Regularization and variable selection via the elastic net［J］. Journal of the Royal Statistical Society Series B （Statistical Methodology）， 2005， 67（2）： 301-320.
[17]	JĒKABSONS G， LAVENDELS J， SITIKOVS V. Model evaluation and selection in multiple nonlinear regression analysis［J］. Mathematical Modelling and Analysis， 2007， 12（1）： 81-90.
[18]	CHICCO D， WARRENS M J， JURMAN G. The coefficient of determination R-squared is more informative than SMAPE， MAE， MAPE， MSE and RMSE in regression analysis evaluation［J］. PeerJ Computer Science， 2021， 7： 623.
[19]	HUSH D R， HORNE B G. Progress in supervised neural networks［J］. IEEE Signal Processing Magazine， 1993， 10（1）： 8-39.
[20]	FERNÁNDEZ-DELGADO M， SIRSAT M S， CERNADAS E， et al. An extensive experimental survey of regression methods［J］. Neural Networks， 2019， 111： 11-34.
[21]	MULLER K R， MIKA S， RATSCH G， et al. An introduction to kernel-based learning algorithms［J］. IEEE Transactions on Neural Networks， 2001， 12（2）： 181-201.
[22]	ALTMAN N S. An introduction to kernel and nearest-neighbor nonparametric regression［J］. The American Statistician， 1992， 46（3）： 175-185.
[23]	COVER T， HART P. Nearest neighbor pattern classification［J］. IEEE Transactions on Information Theory， 1967， 13（1）： 21-27.
[24]	SI L M， NIU R， DANG C Y， et al. Advances in artificial intelligence for artificial metamaterials［J］. APL Materials， 2024， 12（12）： 120602.
[25]	SUN H， QIU Y Y， LI J. A novel artificial neural network model for wide-band random fatigue life prediction［J］. International Journal of Fatigue， 2022， 157： 106701.
[26]	GARDNER M W， DORLING S R. Artificial neural networks （the multilayer perceptron）： a review of applications in the atmospheric sciences［J］. Atmospheric Environment， 1998， 32（14/15）： 2627-2636.
[27]	WANG Y Y， LIU B， WANG J H. Application of deep learning-based convolutional neural networks in gastrointestinal disease endoscopic examination［J］. World Journal of Gastroenterology， 2025， 31（36）： 111137.
[28]	ZHOU J， CUI G Q， HU S D， et al. Graph neural networks： a review of methods and applications［J］. AI Open， 2020， 1： 57-81.
[29]	WU A， ZHU J H， YANG Y L， et al. Classification of corn kernels grades using image analysis and support vector machine［J］. Advances in Mechanical Engineering， 2018， 10（12）： 1-9.
[30]	NOBLE W S. What is a support vector machine？［J］. Nature Biotechnology， 2006， 24（12）： 1565-1567.
[31]	HUANG S J， CAI N G， PACHECO P P， et al. Applications of support vector machine （SVM） learning in cancer genomics［J］. Cancer Genomics & Proteomics， 2018， 15（1）： 41-51.
[32]	BURGES C J C. A tutorial on support vector machines for pattern recognition［J］. Data Mining and Knowledge Discovery， 1998， 2（2）： 121-167.
[33]	KHAN Z， GUL A， PERPEROGLOU A， et al. Ensemble of optimal trees， random forest and random projection ensemble classification［J］. Advances in Data Analysis and Classification， 2020， 14（1）： 97-116.
[34]	BREIMAN L. Random forests［J］. Machine Learning， 2001， 45（1）： 5-32.
[35]	SCHAPIRE R E. The boosting approach to machine learning： an overview［M］//Nonlinear Estimation and Classification. New York： Springer New York， 2003： 149-171.
[36]	XU N， WANG Z W， DAI Y C， et al. Prediction of higher heating value of coal based on gradient boosting regression tree model［J］. International Journal of Coal Geology， 2023， 274： 104293.
[37]	JAIN A K， MURTY M N， FLYNN P J. Data clustering： a review［J］. ACM Computing Surveys， 1999， 31（3）： 264-323.
[38]	YANG T， ZHU L， YANG F， et al. Prediction and analysis etching model of anti-glare glass roughness based on machine learning method［J］. Chemical Engineering Research and Design， 2024， 205： 28-38.
[39]	SAYYED M I， BENHADJIRA A， BENTOUILA O， et al. Predicting the effective atomic number of glass systems using machine learning algorithms［J］. Radiation Physics and Chemistry， 2024， 217： 111479.
[40]	LU X N， WELLER Z D， GERVASIO V， et al. Glass design using machine learning property models with prediction uncertainties： nuclear waste glass formulation［J］. Journal of Non-Crystalline Solids， 2024， 631： 122907.
[41]	LIU C C， SU H. Prediction of optical properties of oxide glass combined with autoencoder and machine learning［J］. Journal of Non-Crystalline Solids， 2024， 642： 123166.
[42]	LI K Y， LI M Z， WANG W H. Inverse design machine learning model for metallic glasses with good glass-forming ability and properties［J］. Journal of Applied Physics， 2024， 135（2）： 025102.
[43]	KANG Z Y， WANG L J， LI X Y， et al. Interpretable machine learning accelerates development of high-specific modulus glass［J］. Computational Materials Science， 2025， 246： 113482.
[44]	ALWADAI N， HUWAYZ MAL， ALROWAILI Z A， et al. Predicting the mass attenuation coefficient of glass systems using machine learning approach for radiation applications［J］. Journal of Radiation Research and Applied Sciences， 2024， 17（2）： 100919.
[45]	ZENG Y， TIAN Z， ZHENG Q， et al. Identifying key features for predicting glass-forming ability of bulk metallic glasses via interpretable machine learning［J］. Journal of Materials Science， 2024， 59（19）： 8318-8337.
[46]	ZHU J Q， DING L F， SUN G H， et al. Accelerating design of glass substrates by machine learning using small-to-medium datasets［J］. Ceramics International， 2024， 50（2）： 3018-3025.
[47]	SINGLA S， MANNAN S， ZAKI M， et al. Accelerated design of chalcogenide glasses through interpretable machine learning for composition-property relationships［J］. Journal of Physics： Materials， 2023， 6（2）： 024003.
[48]	MANDAL I， MANNAN S， WONDRACZEK L， et al. Machine learning-assisted design of Na-ion-conducting glasses［J］. The Journal of Physical Chemistry C， 2023， 127（30）： 14636-14644.
[49]	TIAN J， ZHAO Y X， HUANG Y P， et al. Theoretical prediction of vickers hardness for oxide glasses： machine learning model， interpretability analysis， and experimental validation［J］. Materialia， 2024， 33： 102006.
[50]	JAMIESON K， TALWALKAR A. Non-stochastic best arm identification and hyperparameter optimization［EB/OL］. 2015-02-27. .
[51]	LU X N， DENG L， DU J C， et al. Predicting boron coordination in multicomponent borate and borosilicate glasses using analytical models and machine learning［J］. Journal of Non-Crystalline Solids， 2021， 553： 120490.
[52]	AYUSH K， SAHU P， ALI S M， et al. Predicting the pair correlation functions of silicate and borosilicate glasses using machine learning［J］. Physical Chemistry Chemical Physics， 2024， 26（2）： 1094-1104.
[53]	KRISHNAN N M， MANGALATHU S， SMEDSKJAER M M， et al. Predicting the dissolution kinetics of silicate glasses using machine learning［J］. Journal of Non-Crystalline Solids， 2018， 487： 37-45.
[54]	BØDKER M L， BAUCHY M， DU T， et al. Predicting glass structure by physics-informed machine learning［J］. Computational Materials， 2022， 8： 192.
[55]	KATO T， KAYANO R， OHKUBO T. Machine-learning molecular dynamics study on the structure and glass transition of calcium aluminosilicate glasses［J］. The Journal of Physical Chemistry B， 2025， 129（33）： 8561-8572.
[56]	CHRISTENSEN R， SMEDSKJAER M M. Predicting dynamics from structure in a sodium silicate glass［J］. MRS Bulletin， 2025， 50（3）： 236-246.
[57]	DU T， CHEN Z M， JOHANSEN S M， et al. Predicting stiffness and toughness of aluminosilicate glasses using an interpretable machine learning model［J］. Engineering Fracture Mechanics， 2025， 318： 110961.

玻璃类型	机器学习模型	预测性能	预测结果（最佳模型）	数据来源	文献
硅铝酸钠玻璃	RF	防眩玻璃的表面粗糙度	R²=0.92 RMSE=22.67	试验获得	［38］
重金属氧化物玻璃体	ANN，RF，XGBoost	玻璃体系的有效原子序数	R²=0.99 RMSE=0.90~1.82	论文检索	［39］
无机玻璃	ANN	维氏硬度	R²=0.90	数据库	［8］
低放废物固化玻璃	GPR	黏度	R²>0.77 RMSE<0.98	数据库	［40］
氧化物玻璃	AE-NN，KNN，RF，GBT	光学性能	R²=0.95~0.97	数据库	［41］
金属玻璃	XGBoost，KNN，SVM	玻璃形成能力（GFA）	R²=0.75	论文检索	［42］
硅酸盐玻璃	ANN，RF，KNN，XGB	弹性模量、密度、液相线温度	R²=0.88~0.95	数据库	［43］
氧化物玻璃	ANN	质量衰减系数（MAC）	最大偏差 0.02	模拟、数据库	［44］
块体金属玻璃	LR，KNN，SVR，RF，XGB，ANN	玻璃形成能力（GFA）	R²=0.81	论文检索	［45］
无碱铝硅酸盐玻璃	RF，KNN，CART	密度、弹性模量等	R²=0.99	数据库	［46］
钠钙硅酸盐玻璃	LR，Lasso，CatBoost，RF，KNN，SVR	密度、弹性模量	R²=0.91~0.93	模拟	［7］
硫系玻璃	SVM，RF，ANN，XGBoost	物理性能、力学性能、光学性能	R²=0.74~0.96	数据库	［47］
铝磷酸钠玻璃	LR，Lasso，ANN，SVM，RF，XGBoost，GPR	钠离子电导率	R²=0.97 RMSE=0.03	试验获得	［48］
氧化物玻璃	LASSO，SVR，RF	维氏硬度	R²=0.84 MAE=0.42	数据库	［49］

玻璃类型	机器学习模型	预测性能	预测结果（最佳模型）	数据来源	文献
硅铝酸钠玻璃	RF	防眩玻璃的表面粗糙度	R²=0.92 RMSE=22.67	试验获得	［38］
重金属氧化物玻璃体	ANN，RF，XGBoost	玻璃体系的有效原子序数	R²=0.99 RMSE=0.90~1.82	论文检索	［39］
无机玻璃	ANN	维氏硬度	R²=0.90	数据库	［8］
低放废物固化玻璃	GPR	黏度	R²>0.77 RMSE<0.98	数据库	［40］
氧化物玻璃	AE-NN，KNN，RF，GBT	光学性能	R²=0.95~0.97	数据库	［41］
金属玻璃	XGBoost，KNN，SVM	玻璃形成能力（GFA）	R²=0.75	论文检索	［42］
硅酸盐玻璃	ANN，RF，KNN，XGB	弹性模量、密度、液相线温度	R²=0.88~0.95	数据库	［43］
氧化物玻璃	ANN	质量衰减系数（MAC）	最大偏差 0.02	模拟、数据库	［44］
块体金属玻璃	LR，KNN，SVR，RF，XGB，ANN	玻璃形成能力（GFA）	R²=0.81	论文检索	［45］
无碱铝硅酸盐玻璃	RF，KNN，CART	密度、弹性模量等	R²=0.99	数据库	［46］
钠钙硅酸盐玻璃	LR，Lasso，CatBoost，RF，KNN，SVR	密度、弹性模量	R²=0.91~0.93	模拟	［7］
硫系玻璃	SVM，RF，ANN，XGBoost	物理性能、力学性能、光学性能	R²=0.74~0.96	数据库	［47］
铝磷酸钠玻璃	LR，Lasso，ANN，SVM，RF，XGBoost，GPR	钠离子电导率	R²=0.97 RMSE=0.03	试验获得	［48］
氧化物玻璃	LASSO，SVR，RF	维氏硬度	R²=0.84 MAE=0.42	数据库	［49］

玻璃类型	机器学习模型	预测性能	预测结果（最佳模型）	数据来源	文献
硅铝酸钠玻璃	RF	玻璃的化学蚀刻反应速率	R²= 0.91 MAE=0.22	试验获得	［6］
硅酸钠玻璃	GNN	钠离子的动力学趋势	高钠离子和低钠离子的分类准确率在 60% ~80%	模拟	［56］
钙铝硅酸盐玻璃	LR，RF，SVM，ANN	弹性性能、断裂性能	R²=0.64~0.98	模拟、数据库	［57］
钙铝硅酸盐玻璃	DeepMD-SE	玻璃密度、铝配位数分布、桥氧 / 非桥氧等	玻璃密度与试验值的偏差约为 2%，五配位铝（Al⁵）的含量与试验趋势一致	模拟	［55］

玻璃类型	机器学习模型	预测性能	预测结果（最佳模型）	数据来源	文献
硅铝酸钠玻璃	RF	玻璃的化学蚀刻反应速率	R²= 0.91 MAE=0.22	试验获得	［6］
硅酸钠玻璃	GNN	钠离子的动力学趋势	高钠离子和低钠离子的分类准确率在 60% ~80%	模拟	［56］
钙铝硅酸盐玻璃	LR，RF，SVM，ANN	弹性性能、断裂性能	R²=0.64~0.98	模拟、数据库	［57］
钙铝硅酸盐玻璃	DeepMD-SE	玻璃密度、铝配位数分布、桥氧 / 非桥氧等	玻璃密度与试验值的偏差约为 2%，五配位铝（Al⁵）的含量与试验趋势一致	模拟	［55］