Yu yao MatterSeek - Modello di fondazione universale per la previsione di nuovi materiali (Beta)

MatterSeek - Un modello di base basato sul ragionamento fisico e indipendente dal linguaggio per la previsione universale di nuovi materiali
La fine dei tentativi e degli errori: un nuovo paradigma pionieristico per la ricerca e lo sviluppo: progettazione inversa, sintesi di precisione
MatterSeek è un modello di base universale basato sul ragionamento fisico per la previsione di nuovi materiali, lanciato ufficialmente e con orgoglio da Yuyao Technology (Cina). Costruito su algoritmi avanzati e dati sperimentali di alto livello, serve scenari di ricerca e sviluppo di nuovi materiali inorganici e organici, fornendo ai ricercatori di tutto il mondo un servizio unico.
Il modello rompe la relazione fortemente accoppiata tra composizione, struttura, processo e prestazioni nello spazio ad alta dimensione. Attraverso la progettazione diretta e inversa, fornisce previsioni precise convalidate da esperimenti in laboratorio a ciclo chiuso sulla piattaforma sperimentale interna di Yuyao: MatterSeek non è semplicemente uno strumento di previsione, ma una soluzione di esecuzione altamente affidabile e implementabile a livello industriale.

Caratteristiche principali
Algoritmi avanzati con vincoli fisici- Basato sul ragionamento fisico, con il 92% del modello sviluppato autonomamente.
01
1.035 descrittori di materiali + 192 sottomodelli specifici del dominio- Adattato perfettamente alle esigenze di previsione dei diversi sistemi di materiali.
02
Copertura universale- Progettato per la ricerca e lo sviluppo di materiali sia inorganici che organici.
03
Ciclo sperimentale chiuso- Il nostro laboratorio interno esegue esperimenti automatizzati 24 ore su 24, 7 giorni su 7, reimmettendo i dati nel modello per l'addestramento ricorsivo e il miglioramento continuo delle capacità.
04
Capacità fondamentali
| Capacità | Descrizione |
|---|---|
| Progettazione inversa | Gli utenti inseriscono semplicemente le proprietà target di un nuovo materiale e il modello restituisce direttamente la composizione, il processo e la struttura previsti. |
| Ingresso selettivo | Non sono richieste istruzioni professionali: seleziona gli elementi direttamente da una tavola periodica interattiva. |
| Filtraggio dei vincoli degli elementi | Filtra rapidamente lo spazio materiale candidato in base all'intervallo di composizione elementare. |
| Metriche delle proprietà personalizzate | Definisci in modo flessibile le proprietà di destinazione per la progettazione futura su richiesta. |
| Visualizzazione multidimensionale | Risultati della previsione presentati da più prospettive per supportare il processo decisionale. |

| Fare un passo | Cosa fa MatterSeek |
|---|---|
| Requisiti di ingresso | Le istruzioni di chimica in linguaggio naturale, le metriche delle proprietà target e i vincoli elementari possono tutti servire come input. |
| Inferenza del modello | Attraverso il calcolo multi-modulo al centro del modello e chiamate di funzioni simultanee all'interno della stessa topologia, i corrispondenti sottomodelli specifici del dominio vengono richiamati per completare la previsione delle proprietà o l'inversione della composizione. |
| Risultati dell'output | Composizioni e strutture cristalline consigliate, insieme ai parametri del processo di sintesi, presentati con visualizzazione multidimensionale. |
| Sintesi di laboratorio | Il nostro laboratorio interno esegue esperimenti automatizzati 24 ore su 24, 7 giorni su 7; i dati sperimentali reali vengono raccolti e restituiti per l'addestramento online del modello, ottimizzando continuamente le prestazioni del modello. |
| Caratterizzazione e validazione | Analisi di fase XRD e analisi della morfologia e della composizione SEM/EDS, confronto dei valori misurati con i valori previsti. |
Architettura del modello
| Articolo | Descrizione |
|---|---|
| Architettura | Rete neurale gerarchica HNN proprietaria (guidata dal ragionamento fisico). Progettazione a due livelli: una dorsale condivisa apprende le rappresentazioni materiali tra domini dall'impronta digitale 1.035-d; in cima si trovano 192 sottomodelli esperti di secondo livello raggruppati in 17 domini verticali di primo livello, ciascuno ottimizzato sui materiali che mostrano la proprietà target. La regolarizzazione basata sulla fisica incorpora simmetria, leggi di conservazione e vincoli termodinamici come penalità leggere, quindi la rete produce previsioni fisicamente plausibili piuttosto che pura interpolazione. |
| Descrittori materiali | 1035 |
| Sottomodelli di dominio | 192 sottomodelli di secondo livello con variabili di prestazione organizzati in 17 domini verticali di primo livello: superconduttività, magnetocalorico, magneto-trasporto, magnetismo, catalisi e superfici, trasporto elettronico, ottica, nucleare e irradiazione, meccanica, struttura cristallina, termoelettrico, termodinamica, trasporto termico, fononi, ferroelettrico, barocalorico e fabbricazione e costi. Ciascun sottomodello è un predittore dedicato ottimizzato sui materiali che presentano la proprietà target. Vedi la suddivisione per categorie di seguito. |
| Formati di input | Istruzioni in linguaggio naturale, target di proprietà, formule di composizione. |
| Formati di output | Proprietà previste con limiti di incertezza, composizioni consigliate (candidati Pareto-front), parametri di elaborazione (finestre di sinterizzazione/ricottura) e proposte di esperimenti classificati. |
| Formazione | Curriculum in due fasi: (1) formazione preliminare sui registri di composizione-struttura-proprietà su larga scala tramite ricostruzione autocontrollata di impronte digitali mascherate/ricostruzione della struttura; (2) Personalizzazione del dominio con perdita basata sulla fisica, cicli di feedback di apprendimento attivo e selezione dei candidati guidata da bayesiano/NSGA. |
Dati di allenamento
| Articolo | Descrizione |
|---|---|
| Origini dei dati | Database sperimentali ad alto rendimento prevalentemente proprietari e misurazioni della letteratura curate (valori di proprietà); dati strutturali (struttura cristallina, reticolo, gruppo spaziale) integrati dal calcolo DFT. |
| Scala | Diversi milioni di record di composizione-struttura-proprietà, dominanti nell'esperimento (misurazioni sperimentali delle proprietà abbinate a strutture calcolate o misurate), in continua espansione tramite l'apprendimento attivo. |
| Sistemi materiali | I sistemi di materiali vengono selezionati dinamicamente in base alla variabile prestazionale target (ciascun sottomodello viene addestrato sui materiali che presentano tale proprietà), anziché essere limitati a un elenco fisso di leghe/ceramiche. |
| Pulizia e deduplicazione | Pipeline automatizzata: normalizzazione delle celle unitarie, riconciliazione dei gruppi di fase/spazio, canonicalizzazione dell'arrotondamento della composizione, fusione di record duplicati, rilevamento di valori anomali rispetto alla coerenza sperimentale DFT↔ e suddivisione treno/val/test per famiglia di materiali per evitare perdite. |
Benchmark
L'accuratezza è riportata su set di test sperimentali suddivisi per famiglia di materiali all'interno del nostro corpus. Nessun benchmark pubblico o modello tra pari copre questo esatto insieme di 192 variabili di performance, quindi il confronto tra modelli tra pari non è applicabile.
Copertura e migliori pratiche
Limite di copertura:
MatterSeek fornisce previsioni di livello produttivo all'interno dei suoi 17 domini verticali e 192 proprietà target. Per combinazioni di elementi o proprietà emergenti al di fuori della tassonomia attuale, il modello può essere esteso su richiesta tramite il nostro ciclo di apprendimento attivo: alcuni nuovi esperimenti avviano un nuovo sottomodello anziché una riqualificazione completa.
Uso consigliato:
Utilizza le previsioni come livello di screening rapido e supporto decisionale per dare priorità agli esperimenti, non come sostituto della caratterizzazione finale.
Associa l'output del modello alla finestra di elaborazione della composizione consigliata; i candidati del fronte di Pareto sono classificati per la progettazione multi-obiettivo.
Per le applicazioni critiche o regolamentate, convalida offline i migliori candidati prima dello scale-up.
Il modello si sta espandendo attivamente in ulteriori verticali (ad esempio, tossicità biofarmaceutica, affidabilità a lungo termine): contattateci per la roadmap più recente.
Sviluppo e validazione di materiali funzionali amorfi




