信息学硕士
用于材料科学应用的自动化机器学习（ML） 工具
概述
机器学习（ML） MS Informatics 为有机、有机金属、聚合物及化学混合物（即，配方）以及无机固体材料提供分子特征化与机器学习（基于物理理论 ，ML）工具，通过数据驱动的方法助力新型材料的设计。通过整合机器学习特征化、定制化的预训练机器学习模型，以及用于训练和评估机器学习模型的自动化工作流，用户可利用计算效率高的数据驱动方法，对有前景的材料进行筛选和缩小范围。
核心能力
利用计算效率高的机器学习（ML） 模型，为有机分子、聚合物、配方等建立精确的材料-性能关系
利用化学信息学、半经验方法、量子力学（量子力学(QM) ，QM）、分子动力学（分子动力学 (MD) ，MD）以及MPNICE嵌入技术，通过针对有机、无机和聚合物材料的先进、基于物理原理的描述符来提高模型的可预测性
利用预训练的机器学习模型，对聚合物进行即时预测，例如玻璃化转变温度、粘度、密度、分子的非水溶性、无机固体的性质，以及分子的各种光电性质
通过直观的图形用户界面（GUI）进行交互，利用Schrödinger的通用机器学习（ML） 力场（MPNICE），对周期性系统和气相系统phase 进行单点和几何优化 。
包含预训练的机器学习（ML） 模型，用于预测多种属性
有机和有机金属化合物的沸点与蒸气压
聚合物的玻璃化转变温度
频率依赖性聚合物介电常数 与介电损耗
小分子的密度
小分子的粘度
有机分子在水中的溶解度
非水溶解度
熔点
HOMO/LUMO
光电特性
吸收和发射峰位置及带宽（FWHM）
消光系数
发射寿命、峰位置及带宽
光致发光量子产率（PLQY）
三重态能量（S0-T1）
单重态-三重态能隙（S1-T1）
氧化电位和还原电位
空穴、电子及三重态重组能
固态性质
成形能
船体上方能量
带隙
体积模量
剪切模量
案例研究与网络研讨会
了解Schrödinger 技术如何被用于解决现实世界中的研究难题。
文档与教程
了解常见问题的解答，并掌握使用Schrödinger软件的最佳实践。
相关产品
进一步了解可用于推进您研究项目的相关计算技术。
出版物
浏览采用Schrödinger 技术、发表在相关应用领域的经同行评审的出版物列表。