Yu yao MatterSeek - Model universal de fundație pentru predicția materialelor noi (Beta)

MatterSeek - Un model de bază bazat pe raționament fizic, agnostic de limbaj pentru predicția universală a noilor materiale
Sfârșitul încercării și erorilor - Pionierul unei noi paradigme pentru cercetare și dezvoltare: proiectare inversă, sinteză de precizie
MatterSeek este un model de fundație universal bazat pe raționamentul fizic pentru predicția de noi materiale, lansat oficial și cu mândrie de Yuyao Technology (China). Construit pe algoritmi avansați și date experimentale la standarde înalte, acesta servește scenarii de cercetare și dezvoltare a materialelor anorganice și organice noi, oferind cercetătorilor din întreaga lume un serviciu unic.
Modelul sparge relația puternic cuplată dintre compoziție, structură, proces și performanță în spațiul de dimensiuni înalte. Prin proiectare directă și inversă, oferă predicții precise validate prin experimente de laborator umed în buclă închisă pe platforma experimentală internă a lui Yuyao - MatterSeek nu este doar un instrument de predicție, ci o soluție de execuție de înaltă încredere, implementabilă industrial.

Caracteristici de bază
Algoritmi avansați cu constrângeri de fizică- Fizică-raționament, cu 92% din model auto-dezvoltat.
01
1.035 de descriptori de materiale + 192 Submodele specifice domeniului- Adaptat cu precizie la nevoile de predicție ale diferitelor sisteme de materiale.
02
Acoperire universală- Proiectat atât pentru cercetarea și dezvoltarea materialelor anorganice, cât și organice.
03
Buclă experimentală închisă- Laboratorul nostru intern desfășoară experimente automate 24/7, alimentând datele înapoi în model pentru antrenament recursiv și îmbunătățirea continuă a capacității.
04
Capabilități de bază
| Capacitate | Descriere |
|---|---|
| Design invers | Utilizatorii introduc pur și simplu proprietățile țintă ale unui material nou, iar modelul redă direct compoziția, procesul și structura prezise. |
| Intrare selectivă | Nu sunt necesare solicitări profesionale - selectați elemente direct dintr-un tabel periodic interactiv. |
| Filtrarea constrângerii elementului | Filtrați rapid spațiul material candidat după intervalul de compoziție elementară. |
| Valori personalizate de proprietate | Definiți în mod flexibil proprietățile țintei pentru proiectarea directă la cerere. |
| Vizualizare multidimensională | Rezultatele predicțiilor prezentate din mai multe perspective pentru a sprijini luarea deciziilor. |

| Pas | Ce face MatterSeek |
|---|---|
| Cerințe de intrare | Instrucțiunile de chimie în limbaj natural, valorile proprietăților țintă și constrângerile elementare pot servi toate drept intrări. |
| Inferența modelului | Prin calculul cu mai multe module la baza modelului și apelurile de funcții concurente în cadrul aceleiași topologii, submodelele corespunzătoare specifice domeniului sunt invocate pentru a finaliza predicția proprietăților sau inversarea compoziției. |
| Rezultate de ieșire | Compozițiile și structurile cristaline recomandate, împreună cu parametrii procesului de sinteză, prezentate cu vizualizare multidimensională. |
| Sinteză de laborator | Laboratorul nostru intern desfășoară experimente automate 24/7; Datele experimentale reale sunt colectate și reintroduse pentru instruirea modelului online, optimizând continuu performanța modelului. |
| Caracterizare și validare | Analiza de fază XRD și analiza morfologiei și compoziției SEM/EDS, comparând valorile măsurate cu valorile prezise. |
Arhitectura modelului
| Articol | Descriere |
|---|---|
| Arhitectură | Rețea neuronală ierarhică HNN proprietară (condusă de raționament fizic). Design pe două niveluri: o coloană vertebrală partajată învață reprezentări ale materialelor pe mai multe domenii din amprenta digitală de 1.035 d; în partea de sus se află 192 de submodele de experți de nivel doi grupate în 17 domenii verticale de nivel întâi, fiecare ajustat pe materiale care prezintă proprietatea țintă. Regularizarea bazată pe fizică încorporează simetria, legile de conservare și constrângerile termodinamice ca penalități ușoare, astfel încât rețeaua emite predicții plauzibile din punct de vedere fizic, mai degrabă decât interpolarea pură. |
| Descriptori materiale | 1035 |
| Submodele de domeniu | 192 submodele variabile de performanță de nivel al doilea organizate în 17 domenii verticale de nivel întâi: supraconductivitate, magnetocalorică, magneto-transport, magnetism, cataliză și suprafețe, transport electronic, optică, nucleară și iradiere, mecanică, structură cristalină, termoelectrică, termodinamică, transport termic costuri, fabricație fononică și feroelectrică, baron. Fiecare submodel este un predictor dedicat, reglat fin pe materiale care prezintă proprietatea țintă. Vedeți defalcarea categoriei de mai jos. |
| Formate de intrare | Instrucțiuni în limbaj natural, obiective de proprietate, formule de compoziție. |
| Formate de ieșire | Proprietăți prezise cu limite de incertitudine, compoziții recomandate (candidați Pareto-front), parametri de procesare (ferestre de sinterizare / recoacere) și propuneri de experimente clasificate. |
| Antrenamentul | Curriculum în două etape: (1) Pre-instruire pe înregistrări la scară largă compoziție-structură-proprietate prin reconstrucție auto-supravegheată a amprentei digitale mascate / a structurii; (2) Reglarea fină a domeniului cu pierderi bazate pe fizică, bucle de feedback de învățare activă și selecție de candidați ghidată de Bayesian / NSGA. |
| Articol | Descriere |
|---|---|
| Surse de date | Predominant, baze de date experimentale de mare capacitate proprietare și măsurători ale literaturii de specialitate (valorile proprietăților); date structurale (structură cristalină, rețea, grup spațial) completate de calculul DFT. |
| Scară | Câteva milioane de înregistrări compoziție-structură-proprietate, dominantă de experiment (măsurători de proprietăți experimentale asociate cu structuri calculate sau măsurate), extinzându-se continuu prin învățarea activă. |
| Sisteme materiale | Sistemele de materiale sunt selectate dinamic în funcție de variabila de performanță țintă (fiecare sub-model este instruit pe materialele care prezintă această proprietate), mai degrabă decât să se limiteze la o listă fixă de aliaje/ceramice. |
| Curățare și deducție | Conductă automată: normalizarea celulelor unitare, reconcilierea fază/grup spațial, canonizarea rotunjirii compoziției, îmbinarea înregistrărilor duplicate, detectarea valorii aberante împotriva consistenței DFT↔experimentale și împărțirea tren/val/test pe familia de materiale pentru a preveni scurgerea. |
Benchmark-uri
Precizia este raportată pe seturile de teste experimentale reținute, împărțite pe familia de materiale în propriul nostru corpus. Niciun benchmark public sau un model peer nu acoperă acest set exact de 192 de variabile de performanță, așa că nu se aplică compararea între modele egale.
Acoperire și bune practici
Limita de acoperire:
MatterSeek oferă previziuni la nivel de producție în cele 17 domenii verticale și 192 de proprietăți țintă. Pentru combinațiile de elemente sau proprietăți emergente din afara taxonomiei actuale, modelul poate fi extins la cerere prin bucla noastră de învățare activă - câteva experimente noi pornesc un nou submodel, mai degrabă decât o reinstruire completă.
Utilizare recomandată:
Utilizați predicțiile ca un strat rapid de screening și de sprijin pentru decizii pentru a prioritiza experimentele, nu ca un substitut pentru caracterizarea finală.
Asociați ieșirea modelului cu fereastra de compoziție-procesare recomandată; candidații Pareto-front sunt clasați pentru design multi-obiectiv.
Pentru aplicațiile critice sau reglementate, validați offline candidații de top înainte de extindere.
Modelul se extinde în mod activ în alte verticale (de exemplu, toxicitatea biofarmaceutică, fiabilitatea pe termen lung) - contactați-ne pentru cea mai recentă foaie de parcurs.
Dezvoltarea și validarea materialelor funcționale amorfe





