Yu yao MatterSeek - univerzalni temeljni model za predviđanje novih materijala (Beta)

MatterSeek - temeljni model utemeljen na fizikalnom razmišljanju, jezično agnostički model za univerzalno predviđanje novog materijala
Kraj pokušaja i pogrešaka - pionir u novoj paradigmi za istraživanje i razvoj: obrnuti dizajn, precizna sinteza
MatterSeek je univerzalni temeljni model zasnovan na fizikalnom razmišljanju za predviđanje novih materijala, službeno i ponosno lansiran od strane Yuyao Technology (Kina). Izgrađen na naprednim algoritmima i eksperimentalnim podacima visokog standarda, služi scenarijima istraživanja i razvoja novih anorganskih i organskih materijala, pružajući istraživačima diljem svijeta uslugu na jednom mjestu.
Model probija snažno povezan odnos između kompozicije, strukture, procesa i izvedbe u visokodimenzionalnom prostoru. Kroz dizajn unaprijed i obrnuto, pruža precizna predviđanja potvrđena eksperimentima zatvorene petlje u mokrom laboratoriju na Yuyaovoj vlastitoj eksperimentalnoj platformi - MatterSeek nije samo alat za predviđanje, već visokopouzdano, industrijski implementirano izvršno rješenje.

Osnovne značajke
Napredni algoritmi s fizičkim ograničenjima- Pokretan fizičkim razmišljanjem, s 92% modela vlastitim razvojem.
01
1035 deskriptora materijala + 192 podmodeli specifični za domenu- Precizno prilagođeno potrebama predviđanja različitih materijalnih sustava.
02
Univerzalna pokrivenost- Dizajniran za istraživanje i razvoj anorganskih i organskih materijala.
03
Zatvorena eksperimentalna petlja- Naš interni laboratorij provodi automatizirane eksperimente 24 sata dnevno, 7 dana u tjednu, vraćajući podatke u model za rekurzivnu obuku i kontinuirano poboljšanje sposobnosti.
04
Osnovne mogućnosti
| Sposobnost | Opis |
|---|---|
| Obrnuti dizajn | Korisnici jednostavno unose ciljna svojstva novog materijala, a model izravno ispisuje predviđeni sastav, proces i strukturu. |
| Selektivni unos | Nema potrebe za profesionalnim uputama - odaberite elemente izravno iz interaktivnog periodnog sustava. |
| Filtriranje ograničenja elemenata | Brzo filtrirajte prostor kandidata prema rasponu sastava elemenata. |
| Prilagođene mjerne vrijednosti svojstava | Fleksibilno definirajte ciljana svojstva za dizajn prema naprijed na zahtjev. |
| Višedimenzionalna vizualizacija | Rezultati predviđanja predstavljeni iz više perspektiva za podršku donošenju odluka. |

| Korak | Što MatterSeek radi |
|---|---|
| Ulazni zahtjevi | Kemijske upute na prirodnom jeziku, metrika ciljnih svojstava i elementarna ograničenja mogu poslužiti kao inputi. |
| Zaključivanje modela | Kroz višemodulno izračunavanje u jezgri modela i istodobne pozive funkcija unutar iste topologije, pozivaju se odgovarajući podmodeli specifični za domenu kako bi se dovršilo predviđanje svojstva ili inverzija sastava. |
| Izlazni rezultati | Preporučeni sastavi i kristalne strukture, zajedno s parametrima procesa sinteze, prikazani s višedimenzionalnom vizualizacijom. |
| Laboratorijska sinteza | Naš interni laboratorij provodi automatizirane eksperimente 24/7; stvarni eksperimentalni podaci prikupljaju se i vraćaju za online obuku modela, kontinuirano optimizirajući performanse modela. |
| Karakterizacija i validacija | XRD fazna analiza i SEM/EDS analiza morfologije i sastava, uspoređujući izmjerene vrijednosti s predviđenim vrijednostima. |
Arhitektura modela
| Artikal | Opis |
|---|---|
| Arhitektura | Vlasnička HNN hijerarhijska neuronska mreža (pokretana fizikalnim zaključivanjem). Dvoslojni dizajn: zajednička okosnica uči prikaze materijala među domenama iz 1035-d otiska prsta; na vrhu se nalaze 192 stručna podmodela druge razine grupirana u 17 vertikalnih domena prve razine, od kojih je svaka fino podešena na materijalima koji pokazuju ciljno svojstvo. Regulizacija temeljena na fizikalnim podacima ugrađuje simetriju, zakone očuvanja i termodinamička ograničenja kao meke kazne, tako da mreža daje fizički prihvatljiva predviđanja, a ne čistu interpolaciju. |
| Deskriptori materijala | 1035 |
| Podmodeli domene | 192 podmodela varijable izvedbe druge razine organizirana u 17 vertikalnih domena prve razine: supravodljivost, magnetokalorični, magnetski transport, magnetizam, kataliza i površine, elektronički transport, optika, nuklearno i zračenje, mehanika, kristalna struktura, termoelektrika, termodinamika, toplinski transport, fononi, feroelektrici, barokalorični i izrada & trošak. Svaki je podmodel namjenski prediktor fino podešen na materijalima koji pokazuju ciljno svojstvo. Pogledajte raščlambu kategorija u nastavku. |
| Ulazni formati | Upute prirodnog jezika, ciljevi svojstva, formule sastava. |
| Izlazni formati | Predviđena svojstva s granicama nesigurnosti, preporučeni sastavi (Pareto-front kandidati), parametri obrade (prozori sinteriranja/žarenja) i rangirani prijedlozi eksperimenata. |
| Trening | Dvostupanjski kurikulum: (1) Predosposobljavanje o zapisima o sastavu–strukturi–svojstvu velikih razmjera putem samonadziranog maskiranog otiska prsta/rekonstrukcije strukture; (2) Fino ugađanje domene s gubitkom temeljenim na fizikalnim podacima, povratnim petljama aktivnog učenja i Bayesovim/NSGA-vođenim odabirom kandidata. |
Podaci o obuci
| Artikal | Opis |
|---|---|
| Izvori podataka | Pretežno vlasničke eksperimentalne baze podataka visoke propusnosti i mjerenja odabrane literature (vrijednosti svojstava); strukturni podaci (kristalna struktura, rešetka, prostorna skupina) dopunjeni DFT izračunom. |
| Skala | Nekoliko milijuna zapisa sastav–struktura–svojstva, dominantnih eksperimenta (eksperimentalna mjerenja svojstava uparena s izračunatim ili izmjerenim strukturama), kontinuirano se šire putem aktivnog učenja. |
| Materijalni sustavi | Sustavi materijala biraju se dinamički u skladu s ciljnom varijablom performansi (svaki pod-model je obučen na materijalima koji pokazuju to svojstvo), umjesto da su ograničeni na fiksni popis legura/keramike. |
| Čišćenje i dedupiranje | Automatizirani cjevovod: normalizacija jedinične ćelije, usklađivanje faze/prostorne grupe, kanonikizacija zaokruživanja sastava, spajanje duplikata zapisa, otkrivanje izvanrednih vrijednosti u odnosu na DFT↔eksperimentalnu konzistentnost i podjela niz/vrijednost/test po obitelji materijala kako bi se spriječilo curenje. |
mjerila
Točnost je prikazana na zadržanim eksperimentalnim testnim skupovima podijeljenim prema materijalnoj obitelji unutar našeg vlastitog korpusa. Nijedna javna referentna vrijednost ili model ravnopravnih modela ne pokriva točan skup od 192 varijable izvedbe, tako da usporedba među modelima nije primjenjiva.
Pokrivenost i najbolji primjeri iz prakse
Granica pokrivenosti:
MatterSeek pruža predviđanja proizvodne razine unutar svojih 17 vertikalnih domena i 192 ciljna svojstva. Za nove kombinacije elemenata ili svojstva izvan trenutne taksonomije, model se može proširiti na zahtjev putem naše petlje aktivnog učenja - nekoliko novih eksperimenata pokreće novi podmodel umjesto pune ponovne obuke.
Preporučena upotreba:
Upotrijebite predviđanja kao brzu provjeru i sloj podrške odlučivanju za davanje prioriteta eksperimentima, a ne kao zamjenu za konačnu karakterizaciju.
Uparite izlaz modela s preporučenim prozorom za obradu kompozicije; kandidati Pareto fronta rangirani su za dizajn s više ciljeva.
Za kritične ili regulirane aplikacije, provjerite najbolje kandidate offline prije povećanja.
Model se aktivno širi na dodatne vertikale (npr. toksičnost biofarmaka, dugoročna pouzdanost) - kontaktirajte nas za najnoviji plan.
Razvoj i validacija amorfnih funkcionalnih materijala




