Yu yao MatterSeek – univerzalni osnovni model za napovedovanje novih materialov (Beta)

MatterSeek – temeljni model, ki temelji na fizičnem razmišljanju in je neodvisen od jezika, za univerzalno napovedovanje novih materialov
Konec poskusov in napak - pionir v novi paradigmi za raziskave in razvoj: obratno načrtovanje, natančna sinteza
MatterSeek je univerzalni temeljni model, ki temelji na fizikalnem razmišljanju, za napovedovanje novih materialov, ki ga je Yuyao Technology (Kitajska) uradno in ponosno predstavila. Zgrajen na naprednih algoritmih in eksperimentalnih podatkih visokega standarda služi scenarijem raziskav in razvoja novih anorganskih in organskih materialov ter raziskovalcem po vsem svetu zagotavlja storitev na enem mestu.
Model prebija skozi močno povezano razmerje med kompozicijo, strukturo, procesom in zmogljivostjo v visokodimenzionalnem prostoru. S pomočjo vnaprejšnje in inverzne zasnove zagotavlja natančne napovedi, potrjene s poskusi mokrega laboratorija z zaprto zanko na interni eksperimentalni platformi podjetja Yuyao - MatterSeek ni le orodje za napovedovanje, temveč visokozanesljiva rešitev za industrijsko uporabo.

Osnovne funkcije
Napredni algoritmi s fizikalnimi omejitvami- Temelji na fizičnem sklepanju, pri čemer je 92 % modela razvit sam.
01
1035 materialnih deskriptorjev + 192 podmodeli, specifični za domeno- Natančno prilagojeno potrebam napovedovanja različnih materialnih sistemov.
02
Univerzalna pokritost- Zasnovan za raziskave in razvoj anorganskih in organskih materialov.
03
Zaprta eksperimentalna zanka- Naš interni laboratorij izvaja avtomatizirane poskuse 24 ur na dan, vse dni v tednu, podatke vrača v model za rekurzivno usposabljanje in nenehno izboljševanje zmogljivosti.
04
Osnovne zmogljivosti
| Zmogljivost | Opis |
|---|---|
| Reverse Design | Uporabniki preprosto vnesejo ciljne lastnosti novega materiala, model pa neposredno izpiše predvideno sestavo, postopek in strukturo. |
| Selektivni vnos | Strokovni pozivi niso potrebni - izberite elemente neposredno iz interaktivnega periodnega sistema. |
| Filtriranje omejitev elementov | Hitro filtriranje prostora kandidata glede na elementno sestavo. |
| Meritve lastnosti po meri | Prilagodljivo definirajte ciljne lastnosti za načrtovanje naprej na zahtevo. |
| Večdimenzionalna vizualizacija | Rezultati napovedi, predstavljeni z več perspektiv, ki podpirajo odločanje. |

| korak | Kaj počne MatterSeek |
|---|---|
| Vnosne zahteve | Navodila za kemijo v naravnem jeziku, metrike ciljnih lastnosti in elementarne omejitve lahko služijo kot vhodni podatki. |
| Sklepanje modela | Z večmodulnim računanjem v jedru modela in sočasnimi klici funkcij znotraj iste topologije se prikličejo ustrezni podmodeli, specifični za domeno, da dokončajo napoved lastnosti ali inverzijo sestave. |
| Izhodni rezultati | Priporočene sestave in kristalne strukture, skupaj s parametri procesa sinteze, predstavljeni z večdimenzionalno vizualizacijo. |
| Laboratorijska sinteza | Naš interni laboratorij izvaja avtomatizirane poskuse 24/7; resnični eksperimentalni podatki se zbirajo in vračajo za spletno usposabljanje modelov, ki nenehno optimizirajo delovanje modela. |
| Karakterizacija in validacija | XRD fazna analiza in SEM/EDS analiza morfologije in sestave, primerjava izmerjenih vrednosti s predvidenimi vrednostmi. |
Modelna arhitektura
| Postavka | Opis |
|---|---|
| Arhitektura | Lastniško hierarhično nevronsko omrežje HNN (na podlagi fizičnega razmišljanja). Dvonivojska zasnova: skupna hrbtenica se uči meddomenskih materialnih predstavitev iz prstnega odtisa 1035-d; na vrhu je 192 strokovnih podmodelov druge ravni, razvrščenih v 17 vertikalnih domen prve ravni, od katerih je vsaka natančno prilagojena materialom, ki izkazujejo ciljno lastnost. Regulacija, ki temelji na fizikalnih informacijah, vključuje simetrijo, ohranitvene zakone in termodinamične omejitve kot mehke kazni, tako da omrežje daje fizično verjetne napovedi namesto čiste interpolacije. |
| Deskriptorji materiala | 1035 |
| Podmodeli domene | 192 podmodelov spremenljivke zmogljivosti druge ravni, organiziranih v 17 vertikalnih domenah prve ravni: superprevodnost, magnetokalorični, magnetni transport, magnetizem, kataliza in površine, elektronski transport, optika, jedrska in obsevanje, mehanika, kristalna struktura, termoelektrika, termodinamika, toplotni transport, fononi, feroelektriki, barokalorični in izdelava & stroški. Vsak podmodel je namenski napovedovalec, natančno nastavljen na materialih, ki izkazujejo ciljno lastnost. Glej razčlenitev kategorij spodaj. |
| Vhodni formati | Navodila v naravnem jeziku, cilji lastnosti, sestavne formule. |
| Izhodni formati | Predvidene lastnosti z mejami negotovosti, priporočene sestave (kandidati za Pareto-front), parametri obdelave (okna za sintranje / žarjenje) in razvrščeni predlogi poskusov. |
| Usposabljanje | Dvostopenjski kurikulum: (1) Predhodno usposabljanje o obsežnih zapisih o sestavi–strukturi–lastnostih s pomočjo samonadzorovane rekonstrukcije maskiranih prstnih odtisov/strukture; (2) Natančna nastavitev domene z izgubo na podlagi fizikalnih podatkov, povratnimi zankami aktivnega učenja in izborom kandidatov, ki jih vodi Bayesov/NSGA. |
| Postavka | Opis |
|---|---|
| Viri podatkov | Pretežno lastniške visoko zmogljive eksperimentalne baze podatkov in kurirane meritve literature (vrednosti lastnosti); strukturni podatki (kristalna struktura, mreža, prostorska skupina), dopolnjeni z DFT izračunom. |
| Lestvica | Več milijonov zapisov o sestavi–strukturi–lastnostih, ki prevladujejo v eksperimentu (eksperimentalne meritve lastnosti v paru z izračunanimi ali izmerjenimi strukturami), ki se nenehno širijo z aktivnim učenjem. |
| Materialni sistemi | Sistemi materialov so izbrani dinamično glede na spremenljivko ciljne zmogljivosti (vsak podmodel se uri na materialih, ki izkazujejo to lastnost), namesto da bi bili omejeni na fiksni seznam zlitin/keramike. |
| Čiščenje in odstranjevanje | Avtomatizirani cevovod: normalizacija enotske celice, usklajevanje faznih/prostorskih skupin, kanonikalizacija zaokroževanja kompozicije, združevanje podvojenih zapisov, zaznavanje odstopanj glede na DFT↔eksperimentalno doslednost in razdelitev vlak/val/test glede na družino materialov, da se prepreči uhajanje. |
Merila uspešnosti
Natančnost je navedena na zadržanih nizih eksperimentalnih testov, razdeljenih glede na družino materialov v našem lastnem korpusu. Noben javni primerjalni ali primerjalni model ne pokriva natančnega nabora 192 spremenljivk uspešnosti, zato medmodelska primerjava enakovrednih modelov ni uporabna.
Pokritost in najboljše prakse
Meja pokritosti:
MatterSeek zagotavlja napovedi proizvodnega razreda znotraj svojih 17 vertikalnih domen in 192 ciljnih lastnosti. Za nastajajoče kombinacije elementov ali lastnosti zunaj trenutne taksonomije je mogoče model na zahtevo razširiti prek naše zanke aktivnega učenja – nekaj novih poskusov zažene nov podmodel namesto popolnega ponovnega usposabljanja.
Priporočena uporaba:
Uporabite napovedi kot hitro plast pregledovanja in podpore odločanju za dajanje prednosti poskusom, ne kot nadomestek za končno karakterizacijo.
Združite izhod modela s priporočenim oknom za obdelavo kompozicije; kandidati za Pareto-front so razvrščeni za načrtovanje z več cilji.
Za kritične ali regulirane aplikacije preverite najboljše kandidate brez povezave pred razširitvijo.
Model se aktivno širi v dodatne vertikale (npr. biofarmacevtska toksičnost, dolgoročna zanesljivost) – kontaktirajte nas za najnovejši načrt.
Razvoj in validacija amorfnih funkcionalnih materialov





