先进的机器学习（ML） 将加速材料研究

挑战

• 对开发性能更优、化学特性更环保的新材料的需求巨大
• 尽快且经济高效地将产品推向市场的压力
• 亟需基于信息学的预测模型，以扩大材料优化 和发现的规模
• 用于有效训练模型的材料性能大型数据集数量有限

解决方案

• 借助先进的机器学习（ML） 技术和深度学习能力，增强基于物理理论 建模功能
• 利用机器学习（ML） 将预测范围扩展到实验方法无法覆盖的广阔化学空间
• 针对高度多样化的材料体系开发定制化描述符，以提高预测的准确性
• 借助统一的基于云的企业信息学平台，在项目团队之间开展协作、管理分散的数据并共享预测模型

随着能源、航空航天、电子、食品等领域的技术飞速发展，对新材料的设计与研发需求日益增长。为满足这些需求，材料科学家们正在寻求创新方法，以优化化学性能，并缩短性能更优、更可持续的产品上市时间。然而，仅依赖传统的试错式实验方法不仅成本过高、效率低下，还受到实验条件的限制。 因此，材料创新的研发周期长期以来受益于基于物理理论 （模拟 ）引擎的应用，例如量子力学(QM) 和分子动力学 (MD) ，这些工具有助于降低发现适用于广泛应用领域和行业的材料新型化学性质、结构、形态及组成的成本。在过去几年中，计算能力的提升以及构建大型材料性能数据集的热潮，推动了材料信息学和基于机器学习（ML） 的方法在材料科学领域的日益普及。 然而，此类方法对数据需求极高，且存在无法超出训练模型化学空间 进行外推的局限。当前亟需基于信息学的快速预测模型，以扩展材料优化 与发现的规模，提取物性极限和设计规则，并推动基于物理理论 建模与机器学习（ML） 方法之间的自然协同。此外，随着机器学习（ML） 方法的快速进步，跨研究机构部署和共享精确预测模型以供专家和非专家共同使用的需求日益增长。 成功的研发数字化工作需要一个强大且支持协作的平台，用于评估研究中使用的预测模型。