1. 继生物医药行业之后，材料科学是人工智能大举进入的下一个风口。数年前AI搅动生物和制药领域，美国的Schrödinger公司、Atomwise公司等众多企业的软件和模型让制药行业看到了新机会，在原子尺度筛选目标药物分子成为了各大药厂研发管线中的重要一环。然而药物研发周期长，研发成本高，审批环节严格，因此已有部分AI制药...
据介绍，作为 AI 的核心技术，机器学习已经深入到各个研究领域，并在加速材料研究上显示出巨大潜力。此前，机器学习模型已被成功用于钙钛矿卤化物、金属玻璃、高熵合金、以及无机-有机杂化材料等多种材料的性能预测。然而，作为材料研发中的一个重要环节，针对材料合成的 AI 研究仍然不成熟。对于传统的无机材料合成来说...
智能研发：AI技术通过分析大量数据，能够快速识别新材料的潜在特性和结构，从而加速新材料的研发过程。例如，利用机器学习和数据挖掘技术，AI可以从海量数据中发现分子结构和属性之间的相互关系，为材料设计提供指导。智能制造：AI技术在制造过程中的应用，可以优化生产流程，提高生产效率和产品质量。例如，在半导体制造过程中...
更值得称赞的是,GNoME在预测材料稳定性方面的精度超过了80%,展示了AI技术在材料科学领域中的强大潜力。DeepMind团队与伯克利国家实验室的合作也取得了显著成果。他们共同开发的名为A-Lab的机器人实验室在材料合成方面取得了突破性进展。在短短17天内,A-Lab成功合成了58个目标化合物中的41种,包括多种氧化物和磷酸盐...
如果期望 AI 在材料科学,或者更大范围的自然科学领域产生作用,我们一定要深入理解目标问题。比如汪教授之前提到的, 在小体系中学了某种映射,我们也希望这个映射能够应用在大体系中,但小体系到大体系的过渡,并不符合机器学习的独立同分布假设,需要全新的数学工具来分析它的泛化能力。这些问题都需要AI学者与自然科学家一...
一、AI能力支持端：构建强大的数据基础设施 1、计算资源：在AI材料科学的广阔天地里，高性能计算（HPC）和云计算如同双轮驱动，为复杂模型训练和大规模数据处理提供了坚实的后盾。HPC通过集成成千上万的处理器核心，实现了对材料微观结构和动态行为的精确模拟，而云计算则以其弹性可扩展性和按需付费的模式，降低了企业...
世界范围内，目前只有 Materials Project 团队的 m3gnet 和 CHGNET 模型具有同等能力，但是 GPTFF 的精度和泛化能力更优秀。此类模型将变革性的改变材料科学、化学和生物学等领域的计算模拟方式。该研究以“GPTFF：A high-accuracy out-of-the-box universal AI force field for arbitrary inorganic materials”为题...
近日,未来光锥邀请中科院物理所/松山湖材料实验室研究员刘淼博士,在AI For Science社群进行分享,介绍Al+材料科学领域的近期进展、发展趋势、观察与思考。以下为未来光锥对刘淼博士分享内容,以及部分观众提问进行的简要整理。 材料伴随人类文明一同发展,人类进步的阶段甚至是用我们掌握、运用材料的能力来定义和划分的,像是石...
人工智能(AI)在材料科学中的应用已经显示出其巨大的潜力和价值。从材料性能预测到分子模拟,AI技术正在改变我们研究和理解材料的方式。以下是对这些应用的详细论述: 材料性能预测 AI在材料性能预测方面的应用已经越来越广泛。材料性能预测是指通过计算机模拟来预测材料的物理、化学和机械等性质,以便更好地了解材料的特性和...
从机械性能的显著提升来看,研究人员在后处理(包括钙离子交联和热压)后制备复合膜材料,其最大拉伸强度达到 520MPa。 图丨通过 AI/机器学习加速逆向设计,开发与传统塑料力学性能相匹配的全天然纳米复合材料。展示材料的设计空间、生物降解性测试和解释机器学习模型预测值分析(来源:Nature Nanotechnology) ...