Yu yao MatterSeek – універсальна базова модель для прогнозування нових матеріалів (бета-версія)

MatterSeek – заснована на фізичних міркуваннях, мовно-агностична базова модель для універсального прогнозування нових матеріалів
Кінець проб і помилок - відкриття нової парадигми для досліджень і розробок: зворотний дизайн, точний синтез
MatterSeek — це заснована на фізичних міркуваннях універсальна базова модель для прогнозування нових матеріалів, офіційно та з гордістю запущена компанією Yuyao Technology (Китай). Створений на основі вдосконалених алгоритмів і високоякісних експериментальних даних, він обслуговує сценарії досліджень і розробок нових неорганічних і органічних матеріалів, надаючи дослідникам у всьому світі єдиний сервіс.
Модель прориває тісно пов’язані зв’язки між композицією, структурою, процесом і продуктивністю у багатовимірному просторі. Завдяки прямому та зворотному дизайну він забезпечує точні прогнози, підтверджені експериментами у мокрій лабораторії із замкнутим циклом на власній експериментальній платформі Yuyao. MatterSeek — це не просто інструмент прогнозування, а високонадійне промислове рішення для виконання.

Основні характеристики
Розширені алгоритми з фізичними обмеженнями- На основі фізичних міркувань, 92% моделі розроблено самостійно.
01
1035 матеріальних дескрипторів + 192 доменно-специфічні підмоделі- Точне пристосування до потреб прогнозування різних матеріальних систем.
02
Універсальне покриття- Призначений для досліджень і розробок як неорганічних, так і органічних матеріалів.
03
Замкнутий експериментальний цикл- Наша власна лабораторія проводить автоматизовані експерименти 24/7, повертаючи дані в модель для рекурсивного навчання та постійного вдосконалення можливостей.
04
Основні можливості
| Можливість | опис |
|---|---|
| Зворотний дизайн | Користувачі просто вводять цільові властивості нового матеріалу, а модель безпосередньо виводить прогнозований склад, процес і структуру. |
| Вибіркове введення | Не потрібні професійні підказки - виберіть елементи безпосередньо з інтерактивної періодичної таблиці. |
| Фільтрація обмежень елементів | Швидко фільтруйте простір кандидатського матеріалу за діапазоном елементного складу. |
| Спеціальні показники властивості | Гнучко визначте цільові властивості для прямого проектування на вимогу. |
| Багатовимірна візуалізація | Результати прогнозування представлені з різних точок зору для підтримки прийняття рішень. |

| Крок | Що робить MatterSeek |
|---|---|
| Вимоги до вхідних даних | Інструкції з хімії природною мовою, метрики цільових властивостей і елементарні обмеження можуть слугувати вхідними даними. |
| Висновок моделі | Завдяки багатомодульному обчисленню в ядрі моделі та одночасним викликам функцій у межах однієї топології викликаються відповідні підмоделі, що стосуються домену, для завершення прогнозування властивостей або інверсії композиції. |
| Вихідні результати | Рекомендовані склади та кристалічні структури, а також параметри процесу синтезу представлені у багатовимірній візуалізації. |
| Лабораторний синтез | Наша власна лабораторія проводить автоматизовані експерименти 24/7; реальні експериментальні дані збираються та передаються для онлайн-навчання моделі, постійно оптимізуючи продуктивність моделі. |
| Характеристика та валідація | XRD фазовий аналіз і SEM/EDS морфологічний аналіз і аналіз складу, порівняння виміряних значень з прогнозованими значеннями. |
Архітектура моделі
| Пункт | опис |
|---|---|
| Архітектура | Власна ієрархічна нейронна мережа HNN (керована фізичними міркуваннями). Дворівневий дизайн: спільна магістраль вивчає міждоменні представлення матеріалу за відбитком 1035-d; зверху розташовано 192 експертні підмоделі другого рівня, згруповані в 17 вертикальних доменах першого рівня, кожна з яких налаштована на матеріалах, які демонструють цільову властивість. Фізично обґрунтована регулярізація включає симетрію, закони збереження та термодинамічні обмеження як м’які штрафи, тому мережа виводить фізично вірогідні прогнози, а не чисту інтерполяцію. |
| Дескриптори матеріалів | 1035 |
| Підмоделі домену | 192 підмоделі змінної продуктивності другого рівня, організовані в 17 вертикальних областях першого рівня: надпровідність, магнітокалорійність, магнітотранспорт, магнетизм, каталіз і поверхні, електронний транспорт, оптика, ядерна енергія та опромінення, механіка, кристалічна структура, термоелектрика, термодинаміка, тепловий транспорт, фонони, сегнетоелектрики, барокалорика та виготовлення та виготовлення. вартість. Кожна підмодель — це спеціальний предиктор, точно налаштований на матеріалах, які демонструють цільову властивість. Дивіться розподіл категорій нижче. |
| Формати введення | Інструкції на природній мові, цільові властивості, формули композиції. |
| Вихідні формати | Прогнозовані властивості з межами невизначеності, рекомендовані композиції (кандидати на фронт Парето), параметри обробки (вікна спікання/відпалу) і рейтингові пропозиції експериментів. |
| Навчання | Двоступенева навчальна програма: (1) Попередня підготовка з великомасштабних записів про композицію–структуру–власність за допомогою самоконтролю за маскованим відбитком пальця/реконструкцією структури; (2) Точне налаштування домену з фізичними втратами, петлями зворотного зв’язку активного навчання та вибором кандидатів під керуванням Байєса/NSGA. |
| Пункт | опис |
|---|---|
| Джерела даних | Переважно запатентовані високопродуктивні експериментальні бази даних і підібрані літературні вимірювання (значення властивостей); структурні дані (кристалічна структура, решітка, просторова група), доповнені розрахунком DFT. |
| масштаб | Кілька мільйонів записів про композицію–структуру–властивості, домінуючий експеримент (експериментальні вимірювання властивостей у поєднанні з обчисленими або виміряними структурами), постійно розширюються за допомогою активного навчання. |
| Матеріальні системи | Системи матеріалів вибираються динамічно відповідно до цільової змінної продуктивності (кожна підмодель навчається на матеріалах, які демонструють цю властивість), а не обмежуються фіксованим списком сплавів/кераміки. |
| Очищення та видалення копій | Автоматизований конвеєр: нормалізація елементарної комірки, узгодження фази/просторової групи, канонізація округлення композиції, злиття дублікатів записів, виявлення викидів проти DFT↔експериментальної узгодженості та поділ train/val/test за сімейством матеріалів для запобігання витоку. |
Еталонні показники
Повідомляється про точність утриманих експериментальних наборів тестів, розділених за групами матеріалів у нашому власному корпусі. Жоден загальнодоступний еталонний тест або однорангова модель не охоплює цей точний набір із 192 змінних продуктивності, тому міжмодельне порівняння аналогів не застосовується.
Межа покриття:
MatterSeek надає прогнози виробничого рівня в межах своїх 17 вертикальних доменів і 192 цільових властивостей. For emerging element combinations or properties outside the current taxonomy, the model can be extended on demand via our active-learning loop - a few new experiments bootstrap a new sub-model rather than a full retraining.
Рекомендоване використання:
Використовуйте прогнози як швидкий рівень скринінгу та підтримки прийняття рішень для визначення пріоритетів експериментів, а не як заміну остаточної характеристики.
З’єднайте вихід моделі з рекомендованим вікном обробки композиції; кандидати Парето-фронту класифікуються для багатоцільового дизайну.
For critical or regulated applications, validate top candidates offline before scale-up.
Модель активно поширюється на додаткові вертикалі (наприклад, біофармацевтична токсичність, довгострокова надійність) – зв’яжіться з нами, щоб отримати останню дорожню карту.
Розробка та валідація аморфних функціональних матеріалів





