摘要：

深度学习方法的进步推动了机器学习（ML） （ML）在材料科学和化学领域的蓬勃发展。尽管许多工业界科学家渴望转向以数据为中心、由人工智能引导的设计范式，但企业往往面临数据集有限且材料复杂的问题，这需要采用定制化的特征提取技术。此外，常用的机器学习技术通常还面临可解释性问题，以及向未探索的化学空间外推时遇到的挑战。

在本场网络研讨会中，我们将演示Schrödinger的工具如何通过结合使用基于物理理论 和模拟 的数据、企业信息学以及基于化学知识的机器学习，帮助克服这些常见挑战。我们将重点介绍这种协同方法如何推动众多技术垂直领域的材料创新。具体而言，我们将重点介绍以下领域的案例研究：

• 利用分子动力学 (MD) 模拟生成描述子，以提高机器学习模型在粘度预测方面的准确性
• 开发可解释的机器学习模型，用于预测锂离子电池电解液的离子电导率
• 利用基于密度泛函理论的描述子，提升机器学习模型在预测有机电子 的吸收和发射波长、荧光寿命及消光系数等性质方面的性能

这种集成式 方法标志着材料科学与化学领域的新前沿，它融合了机器学习与物理驱动方法的优势。