Yu yao MatterSeek - مدل بنیاد جهانی برای پیشبینی مواد جدید (بتا)

MatterSeek - یک مدل بنیادی مبتنی بر استدلال، مبتنی بر فیزیک و زبان برای پیشبینی مواد جدید جهانی
پایان آزمون و خطا - پیشروی یک پارادایم جدید برای تحقیق و توسعه: طراحی معکوس، سنتز دقیق
MatterSeek یک مدل پایه جهانی مبتنی بر استدلال فیزیک برای پیشبینی مواد جدید است که به طور رسمی و با افتخار توسط Yuyao Technology (چین) راهاندازی شد. ساخته شده بر اساس الگوریتم های پیشرفته و داده های آزمایشی با استاندارد بالا، سناریوهای تحقیق و توسعه مواد معدنی و آلی جدید را ارائه می دهد و به محققان در سراسر جهان یک سرویس یک مرحله ای ارائه می دهد.
این مدل رابطه قوی بین ترکیب، ساختار، فرآیند و عملکرد را در فضای با ابعاد بالا شکسته است. از طریق طراحی رو به جلو و معکوس، پیشبینیهای دقیقی را ارائه میکند که توسط آزمایشهای آزمایشگاهی مرطوب حلقه بسته بر روی پلت فرم آزمایشی داخلی Yuyao تأیید شده است - MatterSeek صرفا یک ابزار پیشبینی نیست، بلکه یک راهحل اجرایی با اطمینان بالا و قابل استقرار صنعتی است.

ویژگی های اصلی
الگوریتم های پیشرفته با محدودیت های فیزیک- فیزیک مبتنی بر استدلال، با 92٪ از مدل خود توسعه یافته است.
01
1035 توصیفگر مواد + 192 زیرمدل های خاص دامنه- دقیقاً متناسب با نیازهای پیش بینی سیستم های مواد مختلف.
02
پوشش همگانی- طراحی شده برای تحقیق و توسعه مواد معدنی و آلی.
03
حلقه آزمایشی بسته- آزمایشگاه داخلی ما آزمایشهای خودکار را 24/7 انجام میدهد و دادهها را برای آموزش بازگشتی و بهبود مستمر قابلیت به مدل برمیگرداند.
04
قابلیت های اصلی
| قابلیت | توضیحات |
|---|---|
| طراحی معکوس | کاربران به سادگی ویژگی های هدف یک ماده جدید را وارد می کنند و مدل به طور مستقیم ترکیب، فرآیند و ساختار پیش بینی شده را خروجی می دهد. |
| ورودی انتخابی | بدون نیاز به درخواست حرفه ای - عناصر را مستقیماً از یک جدول تناوبی تعاملی انتخاب کنید. |
| فیلتر محدودیت عنصر | به سرعت فضای مواد کاندید را با محدوده ترکیب عنصری فیلتر کنید. |
| معیارهای ویژگی سفارشی | ویژگی های هدف را به صورت انعطاف پذیر برای طراحی رو به جلو بر اساس تقاضا تعریف کنید. |
| تجسم چند بعدی | نتایج پیشبینی از دیدگاههای متعدد برای حمایت از تصمیمگیری ارائه شده است. |

| مرحله | آنچه MatterSeek انجام می دهد |
|---|---|
| الزامات ورودی | دستورالعملهای شیمی زبان طبیعی، معیارهای ویژگی هدف و محدودیتهای عنصری همگی میتوانند به عنوان ورودی عمل کنند. |
| استنتاج مدل | از طریق محاسبات چند ماژول در هسته مدل و فراخوانی تابع همزمان در همان توپولوژی، مدلهای فرعی مربوط به دامنه خاص برای تکمیل پیشبینی ویژگی یا وارونگی ترکیب فراخوانی میشوند. |
| نتایج خروجی | ترکیبات و ساختارهای کریستالی توصیه شده، همراه با پارامترهای فرآیند سنتز، با تجسم چند بعدی ارائه شده است. |
| سنتز آزمایشگاهی | آزمایشگاه داخلی ما آزمایشات خودکار را 24/7 انجام می دهد. دادههای تجربی واقعی برای آموزش مدل آنلاین جمعآوری و بازخورد داده میشوند و به طور مداوم عملکرد مدل را بهینه میکنند. |
| خصوصیات و اعتبارسنجی | تجزیه و تحلیل فاز XRD و مورفولوژی و تجزیه و تحلیل ترکیب SEM/EDS، مقایسه مقادیر اندازهگیری شده با مقادیر پیشبینیشده. |
معماری مدل
| مورد | توضیحات |
|---|---|
| معماری | شبکه عصبی سلسله مراتبی HNN اختصاصی (فیزیک مبتنی بر استدلال). طراحی دو لایه: یک ستون فقرات مشترک بازنمایی مواد متقابل دامنه را از اثر انگشت 1035-d یاد می گیرد. در بالای صفحه، 192 مدل فرعی متخصص سطح دوم که در 17 حوزه عمودی سطح اول گروه بندی شده اند، قرار دارند که هر کدام بر روی موادی که خاصیت هدف را نشان می دهند، به خوبی تنظیم شده اند. منظمسازی مبتنی بر فیزیک، تقارن، قوانین حفاظت و محدودیتهای ترمودینامیکی را به عنوان جریمههای نرم در خود جای میدهد، بنابراین شبکه بهجای درونیابی خالص، پیشبینیهای فیزیکی قابل قبولی را ارائه میدهد. |
| توصیفگرهای مواد | 1035 |
| مدل های فرعی دامنه | 192 مدل فرعی با متغیر عملکرد سطح دوم که تحت 17 حوزه عمودی سطح اول سازماندهی شده اند: ابررسانایی، مغناطیسی کالری، انتقال مغناطیسی، مغناطیس، کاتالیز و سطوح، حمل و نقل الکترونیکی، اپتیک، هسته و تابش، مکانیک، ساختار بلوری، ترموالکتریک، ترمودینامیک، ترمودینامیک، ترمودینامیک، کاتالیزور و تابش. باروکالری، و ساخت و هزینه. هر مدل فرعی یک پیشبینیکننده اختصاصی است که بر روی موادی که خاصیت هدف را نشان میدهند تنظیم شده است. تفکیک دسته را در زیر ببینید. |
| فرمت های ورودی | دستورالعمل های زبان طبیعی، اهداف دارایی، فرمول های ترکیب. |
| فرمت های خروجی | ویژگیهای پیشبینیشده با کرانهای عدم قطعیت، ترکیبهای توصیهشده (کاندیداهای جلوی پارتو)، پارامترهای پردازش (پنجرههای پخت / بازپخت)، و پیشنهادهای آزمایش رتبهبندیشده. |
| آموزش | برنامه درسی دو مرحلهای: (1) پیشآموزش در مقیاس بزرگ ترکیببندی-ساختار-سوابق دارایی از طریق بازسازی اثرانگشت نقابدار/ساختار خود نظارتی. (2) تنظیم دقیق دامنه با از دست دادن اطلاعات فیزیک، حلقههای بازخورد یادگیری فعال، و انتخاب نامزد هدایتشده توسط Bayesian/NSGA. |
| مورد | توضیحات |
|---|---|
| منابع داده | پایگاههای داده تجربی با کارایی بالا و اندازهگیریهای ادبیات نظارتی (مقادیر ویژگی) که عمدتاً اختصاصی هستند. داده های ساختاری (ساختار کریستالی، شبکه، گروه فضایی) تکمیل شده توسط محاسبه DFT. |
| مقیاس | چندین میلیون رکورد ترکیب-ساختار-ویژگی، آزمایش غالب (اندازه گیری ویژگی های تجربی جفت شده با ساختارهای محاسبه شده یا اندازه گیری شده)، به طور مداوم از طریق یادگیری فعال در حال گسترش است. |
| سیستم های مواد | سیستم های مواد به صورت پویا بر اساس متغیر عملکرد هدف انتخاب می شوند (هر مدل فرعی بر روی موادی که آن ویژگی را نشان می دهند آموزش داده می شود)، به جای محدود شدن به لیست آلیاژ/سرامیک ثابت. |
| تمیز کردن و پاکسازی | خط لوله خودکار: عادی سازی سلول واحد، تطبیق فاز/فضا-گروه، متعارف سازی ترکیب-گرد، ادغام رکوردهای تکراری، تشخیص بیرونی در برابر سازگاری تجربی DFT↔، و تقسیم قطار/val/آزمایش بر اساس خانواده مواد برای جلوگیری از نشت. |
معیارها
دقت در مجموعههای آزمایشی نگهداشتهشده گزارش شده است که بر اساس خانواده مواد در مجموعه خود ما تقسیم شدهاند. هیچ معیار عمومی یا مدل همتای این مجموعه دقیق از 192 متغیر عملکرد را پوشش نمیدهد، بنابراین مقایسه بین مدلهای همتا قابل اجرا نیست.
پوشش و بهترین شیوه ها
مرز پوشش:
MatterSeek پیش بینی های درجه تولید را در 17 حوزه عمودی و 192 ویژگی هدف ارائه می دهد. برای ترکیبات عناصر در حال ظهور یا ویژگیهای خارج از طبقهبندی فعلی، مدل را میتوان در صورت تقاضا از طریق حلقه یادگیری فعال ما گسترش داد - چند آزمایش جدید به جای یک بازآموزی کامل، یک مدل فرعی جدید را راهاندازی میکنند.
استفاده توصیه شده:
از پیش بینی ها به عنوان یک لایه غربالگری سریع و پشتیبانی تصمیم برای اولویت بندی آزمایش ها استفاده کنید، نه به عنوان جایگزینی برای توصیف نهایی.
خروجی مدل را با پنجره ترکیب-پردازش توصیه شده جفت کنید. نامزدهای جبهه پارتو برای طراحی چند هدفه رتبه بندی می شوند.
برای برنامههای مهم یا تنظیمشده، نامزدهای برتر را قبل از افزایش مقیاس بهصورت آفلاین تأیید کنید.
این مدل به طور فعال در حال گسترش به بخش های عمودی اضافی (به عنوان مثال، سمیت بیوفارما، قابلیت اطمینان طولانی مدت) است - برای آخرین نقشه راه با ما تماس بگیرید.
توسعه و اعتبارسنجی مواد کاربردی آمورف





