Yu yao MatterSeek — universālā pamata modelis jaunu materiālu prognozēšanai (beta)

 

logo

MatterSeek — uz fiziku balstīts, valodu agnostisks pamata modelis universālai jaunu materiālu prognozēšanai

Izmēģinājumu un kļūdu beigas — jaunas pētniecības un attīstības paradigmas celmlauzis: apgrieztā konstrukcija, precīza sintēze

Ļaujiet materiāliem attīstīties kā dzīvei
Jaunu materiālu atklāšanas paātrināšana
Mazāk eksperimentu, labāka veiktspēja

 

 

MatterSeek ir uz fiziskiem apsvērumiem balstīts universāls pamata modelis jaunu materiālu prognozēšanai, ko oficiāli un lepni palaida Yuyao Technology (Ķīna). Tā pamatā ir uzlaboti algoritmi un augsta standarta eksperimentālie dati, un tas apkalpo neorganisku un organisku jaunu materiālu pētniecības un izstrādes scenārijus, nodrošinot pētniekiem visā pasaulē vienas pieturas pakalpojumu.

Modelis izlaužas cauri cieši saistītajām attiecībām starp kompozīciju, struktūru, procesu un veiktspēju augstas dimensijas telpā. Izmantojot tiešo un apgriezto dizainu, tas nodrošina precīzas prognozes, kas apstiprinātas ar slēgta cikla mitrās laboratorijas eksperimentiem Yuyao iekšējā eksperimentālajā platformā — MatterSeek nav tikai prognozēšanas rīks, bet arī augstas ticamības, rūpnieciski izvietojams izpildes risinājums.

Yuyao

 

Galvenās funkcijas

 

Uzlaboti algoritmi ar fiziskiem ierobežojumiem- Pamatojoties uz fiziku, 92% no modeļa ir paša izstrādāti.

01

1035 materiālu deskriptori + 192 domēnam specifiski apakšmodeļi- Precīzi pielāgota dažādu materiālu sistēmu prognozēšanas vajadzībām.

02

Universāls pārklājums- Paredzēts gan neorganisko, gan organisko materiālu pētniecībai un attīstībai.

03

Slēgts eksperimentālais cikls- Mūsu iekšējā laboratorija veic automatizētus eksperimentus 24/7, ievadot datus atpakaļ modelī rekursīvai apmācībai un nepārtrauktai spēju uzlabošanai.

04

 

Galvenās iespējas

 

Spēja Apraksts
Reversais dizains Lietotāji vienkārši ievada jauna materiāla mērķa īpašības, un modelis tieši izvada paredzamo sastāvu, procesu un struktūru.
Selektīvā ievade Nav nepieciešamas profesionālas uzvednes — atlasiet elementus tieši no interaktīvās periodiskās tabulas.
Elementu ierobežojumu filtrēšana Ātri filtrējiet kandidāta materiāla telpu pēc elementu sastāva diapazona.
Pielāgota īpašuma metrika Elastīgi definējiet mērķa rekvizītus nākotnes dizainam pēc pieprasījuma.
Daudzdimensiju vizualizācija Prognožu rezultāti tiek parādīti no vairākiem skatu punktiem, lai atbalstītu lēmumu pieņemšanu.

 

Yuyao2

 

Solis Ko MatterSeek dara
Ievades prasības Dabiskās valodas ķīmijas instrukcijas, mērķa īpašību metrika un elementu ierobežojumi var kalpot kā ievade.
Modeļa secinājumi Izmantojot vairāku moduļu aprēķinus modeļa kodolā un vienlaicīgus funkciju izsaukumus vienā topoloģijā, tiek izsaukti atbilstošie domēnam specifiskie apakšmodeļi, lai pabeigtu īpašību prognozēšanu vai kompozīcijas inversiju.
Izvades rezultāti Ieteicamās kompozīcijas un kristāla struktūras, kā arī sintēzes procesa parametri, kas parādīti ar daudzdimensionālu vizualizāciju.
Laboratorijas sintēze Mūsu iekšējā laboratorija veic automatizētus eksperimentus 24/7; reāli eksperimentālie dati tiek apkopoti un atgriezti tiešsaistes modeļu apmācībai, nepārtraukti optimizējot modeļa veiktspēju.
Raksturojums un apstiprināšana XRD fāzes analīze un SEM/EDS morfoloģijas un sastāva analīze, salīdzinot izmērītās vērtības ar prognozētajām vērtībām.

 

Modeļu arhitektūra

 

Vienums Apraksts
Arhitektūra Patentēts HNN hierarhiskais neironu tīkls (pamatojoties uz fiziku). Divu līmeņu dizains: kopīgs mugurkauls apgūst starpdomēnu materiālu attēlojumu no 1035 d pirkstu nospieduma; augšpusē atrodas 192 otrā līmeņa ekspertu apakšmodeļi, kas sagrupēti zem 17 pirmā līmeņa vertikālajiem domēniem, katrs precīzi pielāgots materiāliem, kuriem ir mērķa īpašība. Ar fiziku pamatota regularizācija ietver simetriju, saglabāšanas likumus un termodinamiskos ierobežojumus kā mīkstus sodus, tāpēc tīkls sniedz fiziski ticamas prognozes, nevis tīru interpolāciju.
Materiālu deskriptori 1035
Domēnu apakšmodeļi 192 otrā līmeņa veiktspējas mainīgo apakšmodeļi, kas sakārtoti 17 pirmā līmeņa vertikālajos domēnos: supravadītspēja, magnetokaloritāte, magnētiskais transports, magnētisms, katalīze un virsmas, elektroniskais transports, optika, kodolenerģija un apstarošana, mehānika, kristāla struktūra, termoelektrikā, termodinamika, termiskais transports, fononi, ferokaloriskā elektrība, baroka elektroenerģija. Katrs apakšmodelis ir īpašs prognozētājs, kas precīzi pielāgots materiāliem, kuriem ir mērķa īpašība. Skatiet kategoriju sadalījumu zemāk.
Ievades formāti Instrukcijas dabiskajā valodā, īpašību mērķi, kompozīcijas formulas.
Izvades formāti Paredzētās īpašības ar nenoteiktības robežām, ieteicamās kompozīcijas (Pareto frontes kandidāti), apstrādes parametri (saķepināšanas/atlaidināšanas logi) un sarindoti eksperimentu priekšlikumi.
Apmācība Divpakāpju mācību programma: (1) iepriekšēja apmācība par lielapjoma kompozīcijas–struktūras–īpašuma ierakstiem, izmantojot pašpārraudzītu maskētu pirkstu nospiedumu / struktūras rekonstrukciju; (2) Domēna precizēšana ar fiziski pamatotu zudumu, aktīvās mācīšanās atgriezeniskās saites cilpām un Bajesa/NSGA vadītu kandidātu atlasi.

 

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

 

 

Apmācības dati

 

Vienums Apraksts
Datu avoti Pārsvarā patentētas augstas caurlaidības eksperimentālas datu bāzes un apkopotas literatūras mērījumi (īpašību vērtības); strukturālie dati (kristālu struktūra, režģis, telpas grupa), kas papildināti ar DFT aprēķinu.
Mērogs Vairāki miljoni kompozīcijas–struktūras–īpašību ierakstu, kas dominē eksperimentos (eksperimentālo īpašību mērījumi, kas savienoti pārī ar aprēķinātām vai izmērītām struktūrām), kas nepārtraukti paplašinās, aktīvi mācoties.
Materiālu sistēmas Materiālu sistēmas tiek atlasītas dinamiski atbilstoši mērķa veiktspējas mainīgajam (katrs apakšmodelis ir apmācīts materiāliem, kuriem piemīt šī īpašība), nevis ierobežots ar fiksētu sakausējumu/keramikas sarakstu.
Tīrīšana un noņemšana Automatizēts konveijers: vienību šūnu normalizācija, fāzes/telpas grupas saskaņošana, kompozīcijas noapaļošanas kanonizācija, dublikātu ierakstu sapludināšana, noviržu noteikšana pret DFT↔eksperimentālo konsekvenci un vilciena/val/testa sadalīšana pa materiālu saimi, lai novērstu noplūdi.

 

Etaloni

 

Par precizitāti tiek ziņots ieilgušajās eksperimentālo testu kopās, kas sadalītas pa materiālu saimēm mūsu pašu korpusā. Neviens publisks etalons vai vienādranga modelis neaptver šo precīzu 192 veiktspējas mainīgo kopu, tāpēc vairāku modeļu salīdzināšanas iespējas nav piemērojamas.

 

Aptvērums un labākā prakse

 

1

Pārklājuma robeža:

MatterSeek nodrošina ražošanas līmeņa prognozes savos 17 vertikālajos domēnos un 192 mērķa rekvizītos. Jaunām elementu kombinācijām vai īpašībām, kas atrodas ārpus pašreizējās taksonomijas, modeli pēc pieprasījuma var paplašināt, izmantojot mūsu aktīvās apmācības cilpu — daži jauni eksperimenti iedarbina jaunu apakšmodeli, nevis pilnīgu pārkvalifikāciju.

2

Ieteicamais lietojums:

Izmantojiet prognozes kā ātru pārbaudi un lēmumu pieņemšanas atbalsta slāni, lai noteiktu eksperimentu prioritātes, nevis kā galīgā raksturojuma aizstājēju.

Savienojiet modeļa izvadi ar ieteicamo kompozīcijas apstrādes logu; Pareto frontes kandidāti ir sarindoti pēc vairāku mērķu dizaina.

Kritiskām vai regulētām lietojumprogrammām pirms mēroga palielināšanas apstipriniet labākos kandidātus bezsaistē.

Modelis tiek aktīvi paplašināts līdz papildu vertikālēm (piemēram, biofarmakas toksicitāte, ilgtermiņa uzticamība) — sazinieties ar mums, lai iegūtu jaunāko ceļvedi.

 

 

Amorfo funkcionālo materiālu izstrāde un validācija

 

Yuyao4

 

Yuyao5