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

 

logo

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

Нехай матеріали розвиваються як життя
Прискорення відкриття нових матеріалів
Менше експериментів, краща продуктивність

 

 

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.

Yuyao

 

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.

 

Yuyao2

 

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.

 

9b104740-86ea-405a-abb3-820e5a3150d601
9b104740-86ea-405a-abb3-820e5a3150d603

 

 

Дані навчання

 

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.

 

 

1

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.

2

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

 

Yuyao4

 

Yuyao5