利用基于物理理论 方法（如密度泛函理论（DFT ）和分子动力学（分子动力学 (MD) ，MD））对材料性能进行模拟 ，长期以来在揭示结构-性能关系方面成效显著，并进而有助于新型材料的设计。近年来，人工智能（AI）和机器学习（机器学习（ML） ，ML）已广泛与基于物理理论 建模技术相结合，极大地加速了材料创新。基于物理理论 建模的准确性和泛化能力提升了AI/ML模型的性能，使其即使在小数据场景下也能有效应用。反之，AI/ML的速度和灵活性则有助于弥合基于物理理论 模型在时间和空间尺度上的局限性，从而形成一种协同方法，既优化了预测精度，又提高了计算效率。

在本场网络研讨会中，我们将演示这种综合方法在各类材料科学应用中的应用，涵盖从电池电解液和燃料混合物到热塑性塑料和OLED器件的材料设计与配方开发。

主要学习目标：

• 了解DFT 描述符如何提高针对光电子分子和电池电解质的人工智能/机器学习模型的准确性
• 了解MD模拟 描述符如何提升用于预测有机分子粘度的AI/ML模型性能
• 了解如何利用Schrödinger的自动化配方机器学习（ML） 解决方案来：
  • 针对活性药物成分在二元溶剂中的溶解度，训练人工智能/机器学习模型
  • 预测烃类物质的发动机辛烷值
• 了解人工智能/机器学习力场技术（QRNN）的最新进展及其在无机阴极涂层材料体相性质建模中的应用