概述：

机器学习（ML） （机器学习）通过实现对溶解度、粘度、稳定性甚至感官特性等关键性能指标的数据驱动型预测，正在彻底改变配方设计。 基于化学知识的人工智能/机器学习（AI/ML）模型为加速各类配方创新提供了强有力的框架——从个人护理和食品，到制药和电池电解液。通过分析海量且多样化的数据集，机器学习能够预测新配方的行为，包括复杂混合物以及由多种混合物组合而成的成分，从而大幅减少对试错方法的依赖，并加快产品上市速度。

自动化解决方案能够整合成分组成与分子结构，从而生成可优化配方性能的预测模型。这使研发团队能够探索复杂的配方空间、缩短开发周期，并更有效地进行创新。在本场网络研讨会中，我们将演示Schrödinger的集成式 机器学习（ML）和基于物理理论 方法如何重塑配方设计，重点介绍与消费品（消费包装品 ，CPG）相关的应用。

主要学习目标：

• 在数据输入有限的项目中，基于物理理论 模型如何帮助生成有价值的数据，从而提升机器学习模型的性能
• 一种融合了化学和成分分析的自动化机器学习解决方案如何预测多组分体系中的溶解度
• 通过基于物理理论 描述符增强的机器学习模型如何改善粘度预测
• 配方机器学习工具如何帮助非计算领域的专家设计出符合多项靶点 标准的新型消费品——以洗发水配方为例

适合哪些人参加：

• 研发负责人
• 创新经理
• 数字化经理
• 合成化学家
• 材料科学家
• 化学工程师
• 材料研究工程师
• 计算化学家
• 计算材料科学家