Yu yao MatterSeek: model de fundació universal per a la predicció de nous materials (beta)

MatterSeek: un model de base basat en el raonament físic i agnòstic del llenguatge per a la predicció universal de nous materials
El final de la prova i l'error: pioner en un nou paradigma per a R+D: disseny invers, síntesi de precisió
MatterSeek és un model de base universal basat en el raonament físic per a la predicció de nous materials, llançat oficialment i amb orgull per Yuyao Technology (Xina). Basat en algorismes avançats i dades experimentals d'alt nivell, ofereix escenaris d'R+D de nous materials inorgànics i orgànics, proporcionant als investigadors de tot el món un servei únic.
El model trenca la relació fortament acoblada entre composició, estructura, procés i rendiment a l'espai d'alta dimensió. Mitjançant un disseny avançat i invers, ofereix prediccions precises validades per experiments de laboratori humit de bucle tancat a la plataforma experimental interna de Yuyao: MatterSeek no és només una eina de predicció, sinó una solució d'execució d'alta confiança i desplegable industrialment.

Característiques bàsiques
Algoritmes avançats amb restriccions físiques- Impulsat pel raonament físic, amb un 92% del model autodesenvolupat.
01
1.035 descriptors de materials + 192 Submodels específics de domini- Adaptat amb precisió a les necessitats de predicció dels diferents sistemes de materials.
02
Cobertura universal- Dissenyat tant per a R+D de materials inorgànics com orgànics.
03
Bucle experimental tancat- El nostre laboratori intern realitza experiments automatitzats les 24 hores del dia, els 7 dies de la setmana, retornant dades al model per a l'entrenament recursiu i la millora contínua de la capacitat.
04
Capacitats bàsiques
| Capacitat | Descripció |
|---|---|
| Disseny invers | Els usuaris simplement introdueixen les propietats objectiu d'un material nou i el model produeix directament la composició, el procés i l'estructura predits. |
| Entrada selectiva | No es requereix cap indicació professional: seleccioneu elements directament d'una taula periòdica interactiva. |
| Filtrat de restriccions d'elements | Filtreu ràpidament l'espai de material candidat per rang de composició elemental. |
| Mètriques de propietat personalitzades | Definiu de manera flexible les propietats de destinació per al disseny endavant sota demanda. |
| Visualització multidimensional | Els resultats de la predicció es presenten des de múltiples perspectives per donar suport a la presa de decisions. |

| Pas | Què fa MatterSeek |
|---|---|
| Requisits d'entrada | Les instruccions de química en llenguatge natural, les mètriques de propietat objectiu i les restriccions elementals poden servir com a inputs. |
| Inferència del model | Mitjançant el càlcul multimòdul al nucli del model i les crides de funcions concurrents dins de la mateixa topologia, s'invoquen els corresponents submodels específics del domini per completar la predicció de propietats o la inversió de la composició. |
| Resultats de sortida | Les composicions i estructures cristal·lines recomanades, juntament amb els paràmetres del procés de síntesi, es presenten amb visualització multidimensional. |
| Laboratori de síntesi | El nostre laboratori intern realitza experiments automatitzats les 24 hores del dia; Es recullen dades experimentals reals i es retroalimenten per a la formació en línia del model, optimitzant contínuament el rendiment del model. |
| Caracterització i validació | Anàlisi de fase XRD i anàlisi de morfologia i composició SEM/EDS, comparant els valors mesurats amb els valors predits. |
Model d'Arquitectura
| Item | Descripció |
|---|---|
| Arquitectura | Xarxa neuronal jeràrquica HNN propietat (impulsada pel raonament físic). Disseny de dos nivells: una columna vertebral compartida aprèn representacions de materials entre dominis a partir de l'empremta digital 1.035-d; a la part superior hi ha 192 submodels experts de segon nivell agrupats en 17 dominis verticals de primer nivell, cadascun ajustat en materials que mostren la propietat objectiu. La regularització informada per la física incorpora la simetria, les lleis de conservació i les restriccions termodinàmiques com a penalitzacions suaus, de manera que la xarxa produeix prediccions físicament plausibles en lloc d'una interpolació pura. |
| Descriptors de materials | 1035 |
| Submodels de domini | 192 submodels de variables de rendiment de segon nivell organitzats en 17 dominis verticals de primer nivell: superconductivitat, magnetocalòric, magnetotransport, magnetisme, catàlisi i superfícies, transport electrònic, òptica, nuclear i irradiació, mecànica, estructura cristal·lina, termoelèctrica, termodinàmica, transport tèrmic, fonoelèctric i fabricació de ferrocarrils, barons i ferro. Cada submodel és un predictor dedicat ajustat a materials que presenten la propietat objectiu. Vegeu el desglossament de categories a continuació. |
| Formats d'entrada | Instruccions en llenguatge natural, objectius de propietat, fórmules de composició. |
| Formats de sortida | Propietats previstes amb límits d'incertesa, composicions recomanades (candidats de Pareto-front), paràmetres de processament (finestres de sinterització/recuit) i propostes d'experiments classificats. |
| Formació | Currículum de dues etapes: (1) Formació prèvia sobre registres de composició-estructura-propietat a gran escala mitjançant la reconstrucció d'empremtes digitals/estructura autosupervisades; (2) Ajustament del domini amb pèrdua informada per la física, bucles de retroalimentació d'aprenentatge actiu i selecció de candidats guiada per Bayesian / NSGA. |
Dades de formació
| Item | Descripció |
|---|---|
| Fonts de dades | Bases de dades experimentals d'alt rendiment de propietat principalment i mesures de literatura curada (valors de propietat); dades estructurals (estructura cristal·lina, gelosia, grup espacial) complementades amb càlcul DFT. |
| Escala | Diversos milions de registres de composició-estructura-propietat, amb domini de l'experiment (mesures de propietats experimentals emparellades amb estructures calculades o mesurades), que s'expandeixen contínuament mitjançant l'aprenentatge actiu. |
| Sistemes materials | Els sistemes de materials es seleccionen dinàmicament segons la variable de rendiment objectiu (cada submodel està entrenat en els materials que presenten aquesta propietat), en lloc de restringir-se a una llista fixa d'aliatges/ceràmica. |
| Neteja i descàrrega | Canalització automatitzada: normalització de cèl·lules unitats, reconciliació de fases/grups espacials, canonització d'arrodoniment de composició, fusió de registres duplicats, detecció de valors atípics contra la coherència experimental DFT↔ i divisió tren/val/test per família de material per evitar fuites. |
Punts de referència
S'informa de la precisió en conjunts de proves experimentals retinguts dividits per família de materials dins del nostre propi corpus. Cap punt de referència públic o model d'iguals cobreix aquest conjunt exacte de 192 variables de rendiment, de manera que la comparació entre models entre iguals no és aplicable.
Cobertura i bones pràctiques
Límit de cobertura:
MatterSeek ofereix prediccions de grau de producció dins dels seus 17 dominis verticals i 192 propietats objectiu. Per a les combinacions d'elements o propietats emergents fora de la taxonomia actual, el model es pot ampliar sota demanda mitjançant el nostre bucle d'aprenentatge actiu: uns quants experiments nous inicien un nou submodel en lloc d'un reciclatge complet.
Ús recomanat:
Utilitzeu les prediccions com a capa ràpida de detecció i suport a la decisió per prioritzar els experiments, no com a substitut de la caracterització final.
Vincula la sortida del model amb la finestra de composició i processament recomanada; els candidats al front de Pareto es classifiquen per al disseny multiobjectiu.
Per a aplicacions crítiques o regulades, valideu els millors candidats fora de línia abans de l'escalada.
El model s'està expandint activament a verticals addicionals (per exemple, toxicitat biofarmacèutica, fiabilitat a llarg termini).
Desenvolupament i validació de materials funcionals amorfs




